A Apple está colaborando com o Google para integrar o Gemini à Siri, utilizando técnicas de model distillation e sistemas de nuvem híbrida. O objetivo é aprimorar as capacidades conversacionais da Siri, mantendo a privacidade do usuário através do uso de servidores seguros e criptografados, além de hardware especializado da Nvidia para proteger os dados durante o processamento.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
16161 notícias encontradas
A inteligência artificial tornou barato para qualquer pessoa abrir um pull request, mas não garantiu que esse código fosse confiável. Consequentemente, desenvolvedores estão sobrecarregados com a revisão de "diffs misteriosos" que, embora pareçam adequados superficialmente, podem ocultar bugs e tech debt. A solução não é barrar contribuições de não-desenvolvedores, mas sim manter a barra de contribuição baixa, enquanto se eleva a régua da revisão através de automação que exija evidências como diffs delimitados, resultados de testes e QA baseado em navegador.
Commits Git devem ser estritamente reservados para informações técnicas relevantes ao código, e não para veicular publicidade gratuita de ferramentas de IA ou dispositivos móveis. A clareza e a concisão nas mensagens de commit são cruciais para a rastreabilidade e a manutenção do projeto, impactando diretamente a experiência do desenvolvedor.
O risco da IA deve ser avaliado no nível do sistema, e não apenas no nível do modelo. Os três riscos de mecanismo, exposição de dados, saída incorreta e ação não intencional, se conectam a cinco danos comerciais: risco de marca, conformidade, responsabilidade, operacional e comercial. O controle mais importante é a arquitetura: o que a IA pode ver, para onde sua saída é direcionada e o que ela pode fazer sem verificações. Adicionar revisão humana, validações determinísticas e permissões delimitadas pode reduzir drasticamente o risco de ação sem alterar o modelo.
Os custos e o desempenho do Snowflake dependem de três camadas distintas: armazenamento, compute e serviços de cloud. As maiores economias vêm do dimensionamento correto dos warehouses, auto-suspensão agressiva e redução do inchaço de armazenamento causado por configurações de retenção. As alavancas de otimização mais eficazes são o layout físico dos dados e o design das queries: use clustering apenas quando os predicados corresponderem, evite SELECT *, filtros envolvidos em funções e recarregamentos completos, e prefira pipelines incrementais e pré-agregação antes de joins.
O SDK Open Data Product agora permite a conversão assistida por IA de texto livre e Markdown em YAML pronto para padrões, visando catálogos de produtos de dados, especificações de itens e contexto de grafo ODPG. Este workflow capta descrições de produtos, casos de uso, objetivos de negócio e sinais, gerando YAML de Catálogo ODPC e metadados de portfólio conectados. O objetivo é substituir a edição manual de metadados por um caminho focado em padrões, da linguagem dos stakeholders às definições de produtos de dados legíveis por máquina.
A biblioteca Mimesis pode criar conjuntos de dados sintéticos, contrafactuais e balanceados para testar se um modelo contém vieses ocultos, como gênero, idade ou etnia, mantendo outras características consistentes. Isso ajuda as equipes a medir mudanças nas previsões e detectar vieses indesejados de forma segura e com preservação da privacidade.
O Polars 1.41 apresenta três aprimoramentos práticos para workloads analíticos: decodificação mais rápida de footers Parquet para tabelas largas, eliminação mais profunda de subplanos comuns em branches de query aninhadas, e novo suporte a LazyFrame.gather() para seleção de linhas baseada em inteiros sem materialização de dados.
O RushDB 2.0 é uma infraestrutura de memória para sistemas agentic, integrando armazenamento em grafo, semantic search, descoberta de ontologia/esquema, acesso MCP, habilidades e queries analíticas, além de permitir o uso do Neo4j. A proposta é oferecer uma solução unificada para a necessidade de memória estruturada e contexto confiável para agentes, eliminando a complexidade de gerenciar e integrar manualmente múltiplos sistemas como vector stores, bancos de dados de grafo e workflows de descoberta de esquema.
Agentes de analytics open source são frequentemente agrupados, mas LangChain, Wren AI, nao, LibreChat e o template da Vercel resolvem problemas distintos, e apenas alguns são realmente construídos para analytics. Respostas confiáveis dependem menos da interface do agente e mais de onde o contexto de negócio reside, seja em prompts, modelos semânticos, arquivos markdown ou na camada subjacente de MCP/tooling.
Equipes de marketing podem escalar workflows de IA de forma confiável usando PostgreSQL como camada central de dados. Isso é possível através do gerenciamento de estado de workflow (com ENUMs), combinando tabelas relacionais com JSONB para flexibilidade, conectando dados de campanhas, ativos e performance, e aproveitando a busca full-text e pgvector para contexto semântico.
O armazenamento de objetos em escala S3 depende de um namespace plano e imutável: buckets contêm objetos identificados por chaves, enquanto os metadados são separados dos bytes do payload para que o sistema possa escalar independentemente. Em escalas de aproximadamente 100 PB e centenas de milhões de objetos, o design exige sharding distribuído de metadados, arquivos de segmento mesclados em disco para evitar exaustão de inodes, e o chunking de objetos grandes para leituras paralelas e solicitações de range.
O CockroachDB desenvolveu seu próprio sistema de indexação de vector, chamado C-SPANN, para suportar buscas de vector escaláveis. Isso ocorreu porque abordagens existentes como HNSW e IVF não se adequavam à sua arquitetura distribuída. O C-SPANN utiliza uma árvore hierárquica K-means armazenada como dados de tabela regulares, suporta inserções e exclusões em tempo real, e integra-se nativamente com o sharding e rebalanceamento do CockroachDB.
Com Kafka Share Groups, o principal gargalo muda da contagem de partições para a combinação de max.record.locks e max.poll.records. O valor padrão de 500 geralmente é muito alto e causa uma "captura gananciosa", onde alguns consumidores monopolizam grandes lotes. A configuração recomendada é aproximadamente max.record.locks / consumidores-por-partição (e depois ajustar um pouco para baixo) para um throughput stable e alto.
Data sketches permitem estimar métricas custosas, como contagens distintas, armazenando uma pequena amostra probabilística (por exemplo, os K menores valores hashed) em vez de varrer cada linha. Eles trocam a precisão perfeita por ganhos significativos em velocidade e economia de compute, tornando-os valiosos para dashboards, relatórios e agregação distribuída em larga escala.
Muitos CEOs estão superestimando as capacidades atuais da IA, o que os leva a tomar decisões precipitadas, como demissões em massa.
O marketing liderado por CEOs tornou-se um passivo para empresas B2B apoiadas por PE, pois as demandas de go-to-market agora excedem o que uma attention em tempo parcial pode gerenciar. A IA generativa superou sites de fornecedores e representantes de vendas como a fonte mais significativa para decisões de compra B2B, enquanto 72% dos parceiros gerais de PE classificam melhorias operacionais como sua principal alavanca de criação de valor. Contratar um CMO em tempo integral traz seus próprios desafios, com uma taxa de insucesso de 40% em 18 meses e um ramp-up de três a seis meses antes que a produtividade comece. CMOs fracionados oferecem uma alternativa mais rápida, e 72% dos CEOs planejam aumentar o uso de executivos fracionados no próximo ano.
A IA automatizará uma parcela significativa de tarefas, especialmente em funções de colarinho branco, mas os temores de um "apocalipse de empregos" são exagerados. A história mostra que a economia dos EUA se adapta, com ganhos de produtividade criando novos empregos mesmo enquanto outros declinam. A mudança real é de empregos para tarefas, com o trabalho se expandindo em complexidade em vez de desaparecer. A interrupção e o deslocamento de curto prazo são reais, mas o crescimento a longo prazo, novas funções e o julgamento humano permanecem centrais.
A Intel transformou uma perda de marca registrada em uma das mais fortes jogadas de co-marketing da história da tecnologia, ao criar demanda do consumidor por um componente B2B. A empresa usou 3% da receita de chips para reembolsar até 50% dos gastos com publicidade de fabricantes de PCs, desde que os anúncios exibissem o logo Intel Inside e cada computador fosse enviado com o adesivo. A estratégia fez de cada dispositivo um anúncio de longo prazo que permaneceu visível para os usuários por anos em vez de segundos, e levou 70% dos anúncios de PC elegíveis a apresentar a Intel em dois anos. A Intel também construiu reconhecimento por meio de sonic branding, e seu jingle de cinco notas alcançou reconhecimento quase universal em testes. A maior lição para os profissionais de marketing é financiar parceiros de distribuição, dominar a camada que os clientes lembram e transformar embalagens ou hardware em mídia persistente.
O Google está unificando o Display Network e o Demand Gen em um único sistema de campanhas. Anunciantes podem gerenciar inventário da Rede de Display do Google diretamente no Demand Gen, alcançando sites parceiros e superfícies do Google, como YouTube, Shorts, Discover e Gmail. O Google afirma que anunciantes que incluem GDN no Demand Gen observam um aumento de cerca de 9,5% no ROI. Campanhas de display existentes serão convidadas a migrar, com atualizações automáticas sendo implementadas posteriormente.