[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-champion-challenger::tr":3,"gloss-cluster-champion-challenger::tr":26,"gloss-next-champion-challenger::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"champion-challenger","mlops","Şampiyon-Meydan Okuyan (A\u002FB Model Testi)","Şampiyon-meydan okuyan, canlı bir model test desenidir: mevcut üretim modeli, yani şampiyon, trafiğin büyük kısmını sunmaya devam ederken bir veya daha fazla aday model, yani meydan okuyanlar, kontrollü bir dilim alır. Bunları gerçek sonuçlar üzerinden karşılaştırırsınız — dönüşüm, çözüm oranı, gelir, şikâyetler — ve bir meydan okuyanı yalnızca mevcut modeli ikna edici biçimde geçtiğinde terfi ettirirsiniz. Bu, buton renklerine değil modellere uygulanan A\u002FB testidir. Var olma nedeni şudur: sabit bir veri kümesi üzerindeki çevrimdışı değerlendirme, bir modelin dağınık canlı trafik karşısında nasıl davranacağını asla tam olarak öngöremez. Şampiyon-meydan okuyan, gerçek koşullarda gerçek iş etkisini ölçer. Yapay zekâ SaaS'ında bu çoğu zaman iki istemi ya da iki model katmanını yan yana çalıştırıp hangisinin daha fazla destek talebini çözdüğünü izlemek demektir. Pratik not: asla gerilememesi gereken tek bir güvence metriği seçin, kazananı ilan etmeden önce istatistiksel anlamlılığı bekleyin ve bir meydan okuyan güvenli olduğunu kanıtlayana dek trafik dilimini küçük tutun.","Şampiyon-meydan okuyan, üretim modelini trafiğin çoğunda tutarken aday modellere kontrollü bir dilim verir ve karşılaştırma çevrimdışı skor değil gerçek sonuçlardır.",null,[11,14,17,20,23],{"slug":12,"name":13},"canary-deployment","Canary Deployment",{"slug":15,"name":16},"eval-harness","Değerlendirme Koşumu (Eval Harness)",{"slug":18,"name":19},"model-router","Model Yönlendirici (Model Router)",{"slug":21,"name":22},"model-serving","Model Sunumu (Model Serving)",{"slug":24,"name":25},"shadow-deployment","Gölge Dağıtım (Shadow Deployment)",[27,31,35,38,41,44,47,50,53,57,58,61],{"slug":28,"category":5,"name":29,"updated_at":30},"annotation-guidelines","Etiketleme Kılavuzu","2026-08-24T03:30:02+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"baseline-model","Temel Model (Baseline)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"batch-inference","Toplu Çıkarım",{"slug":39,"category":5,"name":40,"updated_at":34},"canary-prompt","Kanarya Prompt",{"slug":42,"category":5,"name":43,"updated_at":34},"class-imbalance","Sınıf Dengesizliği",{"slug":45,"category":5,"name":46,"updated_at":34},"continuous-batching","Sürekli Toplu İşleme (Continuous Batching)",{"slug":48,"category":5,"name":49,"updated_at":34},"cross-validation","Çapraz Doğrulama",{"slug":51,"category":5,"name":52,"updated_at":34},"data-labeling","Veri Etiketleme",{"slug":54,"category":5,"name":55,"updated_at":56},"drift-detection","Sapma Tespiti (Drift Detection)","2026-08-24T02:46:37+00:00",{"slug":15,"category":5,"name":16,"updated_at":56},{"slug":59,"category":5,"name":60,"updated_at":56},"experiment-tracking","Deney Takibi (Experiment Tracking)",{"slug":62,"category":5,"name":63,"updated_at":34},"explainability","Açıklanabilirlik"]