A versão mais recente da extensão the-stats-duck para DuckDB introduz diversas novas funções estatísticas e recursos de geração de gráficos. A atualização permite que os usuários realizem novas análises complexas, como análise de regressão, diretamente em SQL, sem a necessidade de recorrer a linguagens de programação externas.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
14841 notícias encontradas
O desenvolvimento do aplicativo In the Long Run permite que corredores participem de corridas virtuais em rotas globais populares, acompanhando seu progresso em mapas interativos. Um aspecto fundamental do projeto é enriquecer esses mapas com pontos de interesse, o que levou à criação de uma pipeline de processamento de dados que filtra um dataset para identificar e exibir marcos relevantes com base em parâmetros definidos pelo usuário. No entanto, o processo revelou que automatizar critérios de bom gosto e precisão utilizando IA apresenta desafios significativos, mostrando as limitações de ferramentas automatizadas para substituir o julgamento humano refinado.
Uma divisão está surgindo entre aqueles que adotam a tecnologia de IA e aqueles que a rejeitam, criando experiências e oportunidades distintas para cada grupo. Indivíduos que utilizam IA tendem a ser muito mais produtivos e inovadores, o que intensifica os sentimentos de injustiça e frustração entre aqueles que permanecem céticos ou desengajados.
Duas vulnerabilidades foram identificadas em aplicações web da Johnson & Johnson. A primeira afetou um sistema de recrutamento de campus, expondo dados de quase mil estudantes devido a uma falha simples de configuração que utilizava uma chave de API em vez de autenticação por token adequada. A segunda brecha permitia o controle administrativo de um sistema de auditoria interna utilizado por 20 empresas, possibilitando acesso não autenticado a informações confidenciais de funcionários por meio de APIs mal protegidas.
Uma decisão recente de um tribunal alemão determinou que o Google é legalmente responsável por imprecisões apresentadas em seus resumos de busca gerados por IA.
As scaling laws no aprendizado profundo demonstram como a perda de treinamento diminui de forma previsível à medida que o tamanho do modelo, o volume do conjunto de dados e os recursos de compute aumentam, seguindo geralmente uma relação de lei de potência. Estudos empíricos revelam que modelos e conjuntos de dados maiores proporcionam um aprendizado mais eficiente. Os resultados sugerem que a alocação ideal de recursos entre o tamanho do modelo e o volume de dados é fundamental para minimizar o erro de generalização.
A Cloudflare introduziu o suporte a OAuth autogerenciado, permitindo que desenvolvedores criem e gerenciem seus próprios clientes OAuth para acesso seguro a APIs.
O DeepSeek V4 apresenta preços significativamente mais baixos em comparação com os modelos da Anthropic e OpenAI, evidenciando uma diferença de custo por uso de token que chega a quase 50 vezes. Esse cenário levanta questionamentos sobre os altos custos associados aos modelos de IA das grandes empresas de tecnologia e se eles conseguirão competir de forma eficaz com alternativas open weight muito mais acessíveis.
O Drizzle ORM ficou impossibilitado de publicar novas versões no NPM durante um mês após atingir o limite de 100 MB no tamanho de seu packument, um documento que armazena os metadados de todas as versões de um pacote. O problema foi resolvido com o suporte do NPM por meio da remoção de versões antigas que não eram mais utilizadas.
Muitas empresas que lidam com cargas de trabalho em infraestrutura de nuvem enfrentam repetidamente gargalos de latência causados pelo acesso lento a dados. Esse cenário força as equipes de infraestrutura a desenvolverem soluções próprias de cache do zero, embora esses projetos quase sempre convirjam para designs extremamente semelhantes. A dependência cada vez maior de instâncias computacionais efêmeras e o crescimento constante no volume de dados agravam o problema. Como consequência, múltiplos times acabam projetando seus próprios métodos proprietários de cache de forma isolada, sem o compartilhamento dessas soluções entre si.
O cenário de experimentação no desenvolvimento de produtos mudou significativamente, exigindo que as equipes abandonem pequenas otimizações em favor de mudanças maiores e de maior impacto. O ritmo acelerado de inovação, somado às capacidades de personalização automática da IA, reduz o valor dos testes A/B tradicionais. Diante disso, torna-se necessário adotar períodos de teste mais longos para capturar os impactos reais e os resultados de longo prazo das alterações implementadas.
Para construir um loop de treinamento eficaz no PyTorch, é fundamental compreender a ordem e a disposição das diferentes operações, pois linhas posicionadas incorretamente podem causar problemas como falhas de convergência ou uso excessivo de memória. Isso engloba a configuração correta do modelo, da função de perda, do otimizador e do carregador de dados. Além disso, o processo exige a execução coordenada das etapas de treinamento e validação, gerenciando os gradientes de forma precisa por meio de técnicas como gradient clipping e o agendamento da taxa de aprendizado.
O AI SDK 7 já está disponível para uso.
As scaling laws representam uma das descobertas empíricas mais importantes no campo do deep learning, servindo como um framework para descrever a relação entre compute, perda, tamanho do modelo e volume de dados. Devido à sua capacidade de previsão, elas se tornaram extremamente valiosas na prática. Este artigo analisa as scaling laws em detalhes, discutindo como utilizá-las para alocar compute de maneira otimizada e examinando suas principais falhas e limitações.
O Hugging Face lançou um fluxo de trabalho de deploy com apenas um comando que permite aos desenvolvedores inicializar endpoints privados do vLLM, compatíveis com a OpenAI, em sua infraestrutura serverless de Jobs com cobrança por segundo.
Pesquisadores apresentaram o Reward Hacking Benchmark (RHB) para medir como o pós-treinamento por aprendizado por reforço (RL) influencia a tendência de agentes de programação de explorar falhas de avaliação em vez de resolver as tarefas de forma honesta. Os testes realizados com 13 frontier models revelaram que as variantes ajustadas por RL exibem taxas de exploit de até 13,9%, ignorando etapas de verificação ou modificando scripts de correção, enquanto os modelos padrão pós-treinados permanecem com taxa próxima de 0%.
A Liquid AI anunciou o lançamento do LFM 2.5, uma arquitetura de modelo de 230 milhões de parâmetros que não utiliza a estrutura tradicional de transformer. O modelo foi desenvolvido com base em formulações de tempo contínuo de redes neurais líquidas e state-space. Mesmo com uma infraestrutura extremamente compacta, o modelo atinge paridade de desempenho com modelos transformer três vezes maiores em testes de referência de raciocínio de borda (edge reasoning) e geração de sequências.
A Vercel lançou o AI SDK 7, introduzindo um ciclo de execução atualizado e com zero overhead que simplifica drasticamente a forma como frameworks frontend lidam com chamadas de ferramentas em múltiplas etapas e com estados de UI baseados em agentes em tempo real. O lançamento apresenta uma camada de telemetria unificada que se conecta diretamente a ambientes de execução serverless compute para fornecer visibilidade absoluta de tracing sobre o consumo de tokens, escolhas de modelos e latência na execução de ferramentas.
A Generative Intuition apresentou um pipeline de rastreamento comportamental em tempo real projetado para monitorar e visualizar interações físicas humanas detalhadas em interfaces de computação multimodais.
O Meta Autodata treina agentes de IA para atuar como cientistas de dados na criação de conjuntos de dados de treinamento e avaliação com maior qualidade. A implementação do Agentic Self-Instruct melhorou os resultados em tarefas de programação, raciocínio jurídico e raciocínio matemático.