O DuckDB 2.0 LTS, batizado de "Cinnamon Teal", já está disponível. A versão traz melhorias no suporte cliente-servidor, leitura de arquivos mais rápida, tratamento aprimorado de dados semiestruturados, um modo de agente de IA e triggers SQL. O suporte está garantido até pelo menos outubro de 2027. Um ponto de atenção: arquivos de banco de dados criados na versão 2.0 não podem ser lidos por versões anteriores.
A Shopify treina e hospeda modelos abertos especialistas em tarefas específicas do Sidekick, aprimorando-os com falhas ocorridas em produção e feedback humano. Na avaliação da própria empresa, o especialista em GraphQL superou ligeiramente o frontier model, respondendo 7x mais rápido e custando cerca de 90% menos para ser servido.
A governança de agentes de IA no Snowflake parte de controles de dados bem estabelecidos: identificar informações sensíveis, aplicar políticas de acesso e de masking e monitorar o uso. Permissões específicas para agentes, masking e verificações de prompt injection reforçam a proteção, pois limitam o que os agentes podem acessar, ver e alterar.
O Apache Arrow ataca um problema diferente do Parquet: em vez de armazenamento compacto, o foco é a análise rápida em memória. Ao manter os dados em buffers tipados contíguos, e não em objetos no heap, ele preserva a localidade das colunas, o que favorece scans amigáveis ao cache e a execução com SIMD. Além disso, o Arrow reduz a serialização repetida entre engines como Spark, pandas e DuckDB.
Conforme montar software fica mais barato, o ativo durável deixa de ser o código da aplicação e passa a ser um registro histórico governado de entidades, mudanças de estado e proveniência. A principal lição é deixar a IA gerar consultas e transformações, enquanto o histórico append-only e a validação determinística preservam o significado, as permissões e as visões "as-of" auditáveis.
A Meta condensou o trabalho repetitivo de análise de produto em sete padrões de medição parametrizados. Os resultados governados são expostos por meio de modelos legíveis por agentes e de um gerador de consultas determinístico. A biblioteca já alimenta mais de 9.000 pipelines em produção, entre eles 3.250 pipelines de materialização de métricas. Na prática, os agentes escolhem os inputs e as receitas, enquanto o código, o SQL e a validação permanecem sob controle.
O Prometheus, da Meta, foi projetado para manter produtivas execuções gigantes de treinamento distribuído em escala extrema. O supercluster está crescendo rumo a cerca de 1 milhão de GPUs, e centenas de milhares já foram implantadas. O design de rede, resiliência e energia ajudou a elevar o goodput de treinamento acima de 85% e a reduzir as interrupções em 99% desde meados de 2025.
Segundo o relato, um engenheiro trabalhando sozinho treinou do zero um LLM de 3,848 bilhões de parâmetros por US$ 998. O resultado veio de uma stack enxuta combinada a algumas escolhas de eficiência de alto impacto. O treinamento levou 43 horas em oito GPUs B200 alugadas e alcançou 0,384 de CORE no DCLM, cerca de 50% acima da pontuação reportada para o GPT-2.
O Dynamic Consistency Boundary (DCB) permite que cada comando em event sourcing proteja apenas os eventos e tipos que lê, evitando falsos conflitos causados por mudanças não relacionadas. O contra-argumento é que implementações baseadas em tags apenas deslocam boundaries fixos para índices de alta cardinalidade, enquanto mudanças de schema, retagging, arquivamento e evolução de queries ficam mais difíceis. A recomendação é preferir transações multi-stream e workflow streams, a menos que uma contenção mais estreita seja comprovada.
O dbt_iterative_snapshot, pacote open source da Mercedes-Benz para Databricks, processa os lotes em ordem cronológica. Quando chegam dados atrasados, o pacote corrige automaticamente os registros históricos, um cenário que os snapshots nativos do dbt não conseguem tratar.
Uma análise da Mercor sobre 29 benchmarks de IA estima que as tarefas responsáveis por 90% das horas de trabalho nos EUA têm pouca ou nenhuma cobertura. O resultado evidencia lacunas importantes na forma como as capacidades da IA são medidas no ambiente de trabalho.
Avaliar de forma confiável agentes de IA em tarefas subjetivas exige combinar três frentes: revisões humanas calibradas, juízes automatizados e monitoramento em produção. Verificações estatísticas completam o conjunto e ajudam a distinguir melhorias reais de ruído.
Conteúdo curado diariamente, direto no seu e-mail.
