O uso intensivo de código gerado por IA pela Anthropic e a disposição da empresa em remunerar engenheiros de ponta com até $570 mil dólares destacam uma mudança maior: engenheiros estão transicionando de escrever código para orquestrar agentes de IA. O desenvolvimento de software está conseguindo escalar a IA mais rapidamente do que outras funções porque já possui o que a maioria das empresas carece: governança, observability, frameworks de testes, controles de deployment e trilhas de auditoria.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
16691 notícias encontradas
Google lançou um AI Control Center para Google Workspace que oferece aos administradores visibilidade sobre quais agentes de IA podem acessar dados do Gmail, Drive, Calendar e outros dados do Workspace, juntamente com controles para aprovar, restringir ou revogar esse acesso. A governança está se tornando uma função administrativa essencial à medida que as empresas buscam implementar ferramentas de IA em seus stacks de produtividade.
A versão 12.0 do StarlingX da OpenInfra Foundation adiciona suporte a temporização de precisão parcial, autenticação OIDC unificada e fluxos de trabalho de backup/restauração mais fáceis. Isso facilita para as empresas operar infraestrutura de borda distribuída sem a necessidade de hardware idêntico em cada local.
A IBM e a Oracle Corporation expandiram sua parceria de longa data com novas integrações focadas na modernização da nuvem híbrida, implantações de IA e simplificação das cargas de trabalho Oracle em toda a infraestrutura corporativa. Grande parte do investimento em IA nas empresas ainda é direcionada a trabalhos de modernização críticos, embora menos chamativos, em vez de novos aplicativos inovadores.
O CEO da AWS, Matt Garman, refutou as narrativas de SaaSpocalypse, argumentando que a IA irá remodelar as experiências de software em vez de substituir o SaaS completamente. A Amazon aposta que o software futuro para o ambiente de trabalho se tornará mais proativo, embarcado e baseado em agentes.
A IA está se tornando útil para a engenharia de analytics não substituindo o julgamento humano, mas eliminando o trabalho de auditoria repetitivo em torno da validação. O melhor padrão são os workflows assistidos por agentes, com foco em evidências, onde a IA executa verificações, investiga mudanças, demonstra seu trabalho, e os humanos ainda decidem o que é aceitável.
A Neo4j lançou uma primeira leva de Agent Skills para manter agentes de codificação atualizados com o Cypher 25 e a sintaxe recente alinhada ao GQL, incluindo SHORTEST 3, REPEATABLE ELEMENTS, quantified path patterns e path projections.
Frequentemente, o aconselhamento em engenharia de dados falha porque é concebido para um de cinco modelos operacionais distintos: equipes de analytics em estilo startup, ambientes corporativos legados, sistemas de produto/dados críticos para resultados, negócios regulados ou organizações de plataforma/data mesh. Cada um desses modelos possui prioridades diferentes, como velocidade, estabilidade, impacto, auditabilidade ou adoção , , e práticas que são consideradas "melhores" em um contexto podem se mostrar perigosas em outro. É crucial classificar seu ambiente antes de aplicar qualquer orientação, garantindo que as práticas de arquitetura, governança e entrega estejam alinhadas às restrições reais de cada cenário.
TurboQuant é um algoritmo de quantization e compressão projetado para caches Key-Value (KV) em grandes modelos de linguagem e sistemas de busca vector. Ele emprega o PolarQuant para inicialmente mapear vectors em coordenadas polares. Em seguida, aplica o QJL (Quantized Johnson-Lindenstrauss), que realiza uma correção mínima de 1 bit para eliminar vieses ocultos. Este processo permite uma compressão de até aproximadamente 3 bits por valor, com perda de precisão praticamente inexistente.
A Meta desenvolveu um "Segundo Cérebro" de IA interno para auxiliar seus profissionais do conhecimento a encontrar, sintetizar e raciocinar rapidamente sobre grandes volumes de informações e documentos internos da empresa. O sistema combina Geração Aumentada por Recuperação (RAG), busca avançada e capacidades baseadas em agentes, com atenção cuidadosa à privacidade, precisão e controles de nível empresarial.
A maioria dos sistemas RAG falha em produção porque as equipes implementam de forma rígida um vector DB, um modelo de embedding e uma estratégia de chunking sem observability ou avaliações repetíveis. O Weave CLI soluciona esse problema ao unificar 11 databases de vector, 5 provedores de embedding e agentes intercambiáveis em uma única interface configurável. Além disso, OpenTelemetry e Opik tracing são incorporados desde o primeiro dia.
O Polars oferece suporte robusto e integrado para a evolução de schema, lidando com alterações como a adição ou remoção de colunas, desvios de tipo (type drifts) e modificações que podem causar quebras (breaking changes). Para garantir que os pipelines não sejam interrompidos por mudanças nos schemas a montante (upstream), é possível configurar o Polars, dependendo do formato de dados, utilizando parâmetros específicos como `missing_columns="insert"`, `schema_mode="merge"`, `ScanCastOptions` e a concatenação `diagonal_relaxed`.
Apache Fluss é um "Kafka indexável" que combina ingestão de streaming horizontalmente escalável com armazenamento colunar, tabelas com chave primária, CDC e tiering opcional para S3 ou formatos de lakehouse como Iceberg e Paimon. Ele promete simplificar significativamente as cargas de trabalho de streaming com estado e lookup. Em produção no EKS, a integração com Flink requer a resolução de várias questões, como a ausência de JARs de conector, problemas de credencial/delegation-token do S3 e dependências adicionais. Apesar de seu potencial, o uso em produção da versão 0.9 ainda exige ajustes operacionais cuidadosos.
Plataformas de dados em nuvem como Snowflake, BigQuery, Redshift e Databricks tornaram o ELT o padrão, pois é mais simples, mais rápido para iterar e permite que as equipes utilizem o poder computacional escalável do data warehouse para as transformações.
A Faire reconstruiu seu stack de ranqueamento de busca, migrando do XGBoost para deep learning, a fim de otimizar melhor objetivos concorrentes como relevância, atualidade, descoberta de marcas e consistência entre superfícies. Essa migração exigiu a reestruturação dos pipelines de dados, da observability e do serviço em produção, incluindo uma infraestrutura customizada baseada em Docker, embeddings em memória compartilhada e sandboxing de CPU. Essas mudanças reduziram a latência de startup de 20-30 minutos para apenas alguns minutos. O novo stack resultou em ganhos mensuráveis, como um aumento de aproximadamente 2% no volume de pedidos na Busca de Produtos.
A Grab está operacionalizando a certificação de data mesh por meio de um grafo de metadados event-driven, construído sobre o DataHub. Essa abordagem é suportada por eventos de metadados baseados em Kafka, que alimentam o DataHub Actions para certificação contínua. Para os fluxos de trabalho de validação, a empresa utiliza o Temporal, enquanto eventos de conclusão de pipeline do Airflow e Lighthouse são empregados para acionar verificações de qualidade automatizadas. A premissa fundamental é que a confiança não é atribuída manualmente, mas sim calculada a partir de dados em tempo real sobre propriedade, linhagem, contratos, SLAs e a saúde dos testes. Além disso, as regras de contrato são diretamente vinculadas a endpoints de saúde concretos, garantindo uma validação contínua e automatizada.
O Pinterest desenvolveu o Feature Trimmer para remover dinamicamente features de baixo valor ou redundantes de requisições de treinamento e inference de ML em larga escala. Essa ferramenta reduz drasticamente o uso e o custo da largura de banda da rede, enquanto mantém o desempenho do modelo. O Feature Trimmer combina uma análise offline de importância de features com uma lógica de trimming online, resultando em uma redução substancial da largura de banda da rede e melhoria na latency do lado do cliente.
Após 25 anos respondendo às perguntas do mundo, o Ask.com fechou oficialmente em 1º de maio.
Um substituto melhor para o GitHub deveria focar menos em recursos semelhantes a editores e mais na coordenação de mantenedores de código aberto entre projetos, especialmente em relação a dependências, usuários downstream, forks ativos, impacto de releases e sinais de migração. A ideia central é que a reutilização de software moderna ocorre através de manifests de pacotes e grafos de dependência. Assim, as plataformas de forja devem tratar as dependências como relacionamentos de primeira classe, incluindo testes downstream, feeds de dependentes, padrões de segurança mais robustos para CI, caching de pacotes e uma melhor visibilidade do status do projeto.
O Amazon CloudWatch introduz um editor visual no console EC2 para configurar e gerenciar o CloudWatch agent sem a necessidade de JSON. Isso permite uma configuração gráfica, deployment com um clique, políticas automatizadas e observability para toda a frota de instâncias, sem custo adicional além dos preços de uso padrão.