Pattern de déploiement ML qui permet de tester un nouveau modèle (challenger) en conditions réelles sans risquer de dégrader l'expérience de tous les utilisateurs. Le champion reçoit la majorité du trafic (ex : 90%) et le challenger une fraction (10%), et leurs performances sont comparées sur les mêmes métriques métier. Si le challenger se révèle supérieur, il prend la place de champion progressivement. Ce pattern combine la sécurité d'un rollout progressif et la rigueur d'un A/B test en conditions de production. Il est essentiel dans les domaines où les erreurs du modèle ont un impact direct (scoring crédit, recommandation médicale).