CEVIU News - CEVIU Dados - 20 de maio de 2026

O Viaduct 1.0 é o data-oriented service mesh open-source da Airbnb, construído sobre GraphQL. Ele oferece um esquema unificado para acessar qualquer fonte de dados na empresa, permitindo o desenvolvimento descentralizado por meio de módulos multi-tenant. As equipes podem contribuir com seus próprios esquemas e resolvers sem a necessidade de operar serviços GraphQL separados, equilibrando um servidor GraphQL monolítico com a federação completa.

Uma ontology em linguagem natural pode funcionar como uma política de acesso em runtime que se mantém funcional durante a evolução de schema. Isso permite que um LLM classifique colunas individualmente, utilizando contagens de linhas, proporções de cardinalidade e valores amostrados. Essa abordagem mantém a política separada do código do pipeline, mas não aborda inferências numéricas sensíveis nem a reidentificação entre colunas.

A transição da Cloudflare para retenção por tenant em uma tabela massiva do ClickHouse, "Ready-Analytics", revelou um limite inesperado de escalabilidade: o planejamento de queries, e não o I/O ou volume de varredura, tornou-se o gargalo à medida que as 'parts per replica' aumentavam. O tracing mostrou que 45% do tempo de CPU da query folha era gasto na filtragem de partes. A mudança para um shared lock e, subsequentemente, para um cache de leitura compartilhada, removeu a maior parte da contenção e reduziu drasticamente a latência das queries.

Uma grande pane na AWS US-EAST-1 em maio foi causada por um evento de superaquecimento em um único data center, resultando em interrupções de várias horas para serviços de alto perfil como a Coinbase. O incidente destacou a diferença crítica entre alta disponibilidade Multi-AZ (que falhou em proteger cargas de trabalho sensíveis à latência) e a verdadeira recuperação de desastres cross-region.

A ingestão de dados parece simples, mas uma escolha inadequada pode gerar custos ocultos através de conectores falhos, schema drift, over-engineering e tempo de engenharia desperdiçado. A abordagem ideal geralmente é híbrida: conectores gerenciados para SaaS padrão, streaming apenas quando baixa latência é crucial, e pipelines customizados para fontes de dados de nicho ou legadas.

O PostgreSQL apresenta inconsistências na forma como resolve nomes de colunas e expressões em cláusulas ORDER BY. Por exemplo, identificadores simples (como ORDER BY a) procuram primeiramente por aliases na lista SELECT, enquanto qualquer expressão (como ORDER BY -a) se resolve contra a cláusula FROM. Isso leva a comportamentos confusos quando se utilizam aliases, aspas, GROUP BY, funções de janela e UNION.

O MemKV da MinIO é um armazenamento de contexto de memória em escala de petabytes para inference de IA, projetado para preservar e compartilhar o estado da sessão entre clusters de GPU. Ao mover o contexto diretamente de NVMe para o caminho de dados da IA via 800 GbE RDMA, ele aborda o problema do "recompute tax" e afirma alcançar mais de 95% de melhor utilização de GPU e cerca de 50% menos custo por token em cargas de trabalho de benchmark.

O Apache Arrow está se consolidando rapidamente como o formato colunar universal em memória para intercâmbio de dados na stack moderna de dados. Em vez de serializar, desserializar e copiar dados repetidamente entre ferramentas (Pandas → Spark → bancos de dados, etc.), o Arrow permite uma transferência de zero-copy, onde os sistemas compartilham exatamente o mesmo layout de memória, reduzindo drasticamente o overhead da CPU.

Para o RAG (Retrieval Augmented Generation) em produção, são cruciais estratégias inteligentes de "chunking" (recursivas, semânticas e cientes da estrutura), pipelines robustos de indexação com registros de documentos e "hashing" de conteúdo para atualizações eficientes. É essencial gerenciar modelos de "embedding" cuidadosamente e utilizar a troca de índices com zero "downtime" baseada em "alias". Além disso, uma forte "observability" com "tracing" detalhado, atribuição de "chunks" e métricas de qualidade de "retrieval" são fundamentais.

Agentes de IA capazes de escrever em sistemas de produção criam um novo problema de responsabilidade e recuperação. Um agente da Replit, por exemplo, já apagou um banco de dados em produção, e o problema principal não foi a falha em si, mas a ausência de propriedade clara, guardrails e um plano de rollback. Com 86% dos líderes de TI e segurança esperando que os agentes de IA superem os controles atuais, a governança torna-se uma responsabilidade compartilhada entre arquitetura, segurança, jurídico e negócio. Controles práticos como limites de políticas, observability, triagem com intervenção humana (human-in-the-loop) e mecanismos explícitos de recuperação são essenciais para evitar que ferramentas autônomas se tornem um risco para toda a empresa.

O Context Pruning é a prática de remover seletivamente tokens, sentenças ou passagens de baixo valor da entrada de um LLM para reduzir custos, latência e, frequentemente, melhorar a qualidade da saída. Inclui técnicas como pruning em nível de token, sentença/chunk, baseado em attention e pruning dinâmico progressivo por camada, e funciona melhor quando combinado com caching semântico.

Líderes de dados ainda enfrentam os mesmos desafios centrais, apesar do hype da IA: provar o valor para o negócio, gerenciar as políticas dos stakeholders, evitar a proliferação de dashboards, modelos e ferramentas, e recusar solicitações de baixo valor.

Agentes de software interagem com sistemas de maneira distinta dos humanos, o que exige uma reestruturação da infraestrutura. É necessário repensar o design para incluir snapshots, branching, escalabilidade elástica, alta concorrência, isolamento e experimentação de baixo custo.