Atualizado em 19/10/2026: texto refeito: o que é deployment e deploy em produção, ambientes, etapas, estratégias de liberação (blue-green, canário, gradual), o que muda com modelos de IA e glossário rápido de termos, com fontes; saíram parágrafos genéricos e repetidos. Como conferimos os dados
Deployment (ou deploy, em português “implantação”) é o processo de colocar uma versão de um software no ar para que ela possa ser usada. Production deployment, ou deploy em produção, é a etapa em que essa versão chega ao ambiente de produção: o sistema real, usado pelos clientes, com dados reais.
Ambientes: de desenvolvimento a produção
- Desenvolvimento: onde o código é escrito e testado pelo próprio time.
- Teste ou homologação (staging): cópia o mais parecida possível com a produção, para conferir a versão antes de liberar.
- Produção: o ambiente que atende os usuários. Um erro aqui afeta gente de verdade, por isso o deploy em produção costuma ter mais cuidado e controle.
Etapas típicas de um deploy em produção
- Build: o código é empacotado (por exemplo, numa imagem de contêiner).
- Testes automáticos: a versão passa por testes antes de seguir.
- Liberação: a versão nova é instalada nos servidores de produção, de uma vez ou aos poucos.
- Verificação e monitoramento: erros, tempo de resposta e uso são acompanhados logo depois.
- Rollback: se algo der errado, volta-se para a versão anterior.
Quando essas etapas rodam sozinhas a cada mudança aprovada, fala-se em CI/CD: integração contínua e entrega (ou implantação) contínua.
Estratégias para liberar com menos risco
| Estratégia | Como funciona |
|---|---|
| Blue-green | Dois ambientes de produção iguais; a versão nova sobe no que está parado e o tráfego é trocado de uma vez. Para voltar, basta trocar de novo. |
| Canário (canary release) | A versão nova vai primeiro para uma parte pequena dos usuários; se tudo correr bem, a fatia aumenta até 100%. |
| Gradual (rolling) | Os servidores são atualizados em levas, sem tirar o serviço do ar. |
Deploy de modelos de IA
Em aprendizado de máquina, o deploy de modelo coloca um modelo treinado para responder pedidos reais, a fase de inferência, em geral por uma API. Além do código, entram em jogo os dados: um modelo pode piorar com o tempo porque os dados reais mudam, mesmo sem nenhuma mudança no software. Por isso as práticas de MLOps incluem monitorar a qualidade das previsões em produção e retreinar o modelo quando ela cai.
Termos que aparecem junto
- Deploy: forma curta de deployment; “fazer o deploy” é publicar a versão.
- Release: a versão liberada (ou o ato de liberar uma funcionalidade aos usuários, que pode ser separado do deploy).
- Rollback: voltar para a versão anterior.
- Hotfix: correção urgente enviada direto para a produção.
Termos relacionados
Fontes (conferidas em 14/10/2026): Wikipédia (inglês): Software deployment · Martin Fowler: BlueGreenDeployment · Danilo Sato (martinfowler.com): CanaryRelease · Google Cloud: MLOps, pipelines de entrega contínua e automação no aprendizado de máquina