Technique de déploiement ML qui exécute un nouveau modèle en parallèle du modèle de production actuel, en recevant le même trafic réel mais sans que ses décisions n'affectent les utilisateurs. Le nouveau modèle fait ses prédictions en 'ombre' — elles sont loggées et comparées aux décisions du modèle de production sans être actionnées. Cela permet de valider les performances du nouveau modèle sur du trafic réel avant de le mettre en production, sans risque métier. On peut ainsi comparer les distributions de prédiction, détecter des divergences inattendues, et mesurer les métriques offline et online simultaneously. Le shadow mode révèle souvent des problèmes qui n'apparaissent pas dans les datasets de test : distribution shift, edge cases rares, latence en conditions réelles.