O ataque à cadeia de suprimentos do TeamPCP se expandiu de ferramentas de segurança como Checkmarx e Trivy para o ecossistema de IA, comprometendo a popular biblioteca Python LiteLLM. Os atacantes usaram credenciais roubadas para adulterar as versões 1.82.7 e 1.82.8 do PyPI com um infostealer projetado para roubar segredos de nuvem, chaves SSH e tokens Kubernetes. Desenvolvedores são aconselhados a fixar suas dependências na versão 1.82.6 ou anterior e a girar imediatamente todas as credenciais de ambiente.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
17913 notícias encontradas
A Cisco lançou o Duo Agentic Identity e o framework open-source DefenseClaw para proteger agentes autônomos de IA. Novas ferramentas incluem AI Defense: Explorer Edition para red teaming e atualizações do Splunk ES para automação de SOC. Essas capacidades permitem que empresas monitorem a atividade dos agentes e imponham acesso com privilégios mínimos em workloads complexos de IA.
Claude Code foi utilizado para refatorar uma base de código CSS desorganizada em uma arquitetura limpa, ao longo de 7 fases, com um script Playwright capturando capturas de tela de 9 estados distintos do aplicativo antes e depois de cada fase. Claude comparou os PNGs do antes e depois em inglês claro para garantir que os visuais permanecessem os mesmos durante toda a refatoração, obtendo muito sucesso.
Existem três pilares que contribuem para o inchaço nas árvores de dependência do JavaScript: suporte a runtime legados, arquitetura de pacotes excessivamente atômica e "ponyfills" desatualizados. O primeiro pilar inclui dependências para motores antigos, segurança de namespace global ou valores de cross-realm, raramente necessários em projetos modernos. O segundo, a arquitetura atômica, gera inúmeros pacotes pequenos, frequentemente duplicados ou de uso único, aumentando custos de aquisição e riscos na cadeia de suprimentos. Por fim, "ponyfills" para funcionalidades agora suportadas nativamente por todos os motores relevantes muitas vezes permanecem nas árvores de dependência mesmo quando não são mais necessários.
O avanço dos modelos fundamentais de IA criou um novo e intenso cenário competitivo para startups. Empresas que desenvolvem produtos focados em fluxo de trabalho para clientes de alta capacidade estão vulneráveis, pois esses clientes agora podem desenvolver rapidamente suas próprias soluções. Para sobreviver e prosperar, os fundadores devem focar em problemas que estão além do alcance dos grandes laboratórios de IA.
Após a COVID-19 expor mudanças estruturais persistentes nos prazos de reservas, a Airbnb redesenhou seus modelos de previsão para melhorar a resiliência contra futuros choques.
A defesa antimíssil é um problema complexo de alocação de recursos, onde a probabilidade de sucesso é reduzida por fatores como detecção e rastreamento, que podem ser degradados ativamente por adversários. Alocar interceptores limitados contra múltiplas ogivas é um problema NP-difícil, e os inventários atuais não são suficientes para conter ataques modestos com eficácia.
Este desenvolvedor criou um fork da biblioteca Python `httpx`, batizado de `httpxyz`, devido à manutenção paralisada do projeto original, contribuições ignoradas e problemas de transparência.
O uso excessivo de agentes de codificação baseados em IA leva à criação de bases de código frágeis, quebradas e difíceis de manter. Esses agentes amplificam erros sem aprender, carecem de pontos de verificação humanos, geram complexidade excessiva por meio de decisões locais e sofrem de baixa recordação. Em vez disso, os desenvolvedores devem desacelerar e delegar tarefas de forma inteligente para esses agentes.
O autor conseguiu rodar o computador de um Tesla Model 3 em sua mesa utilizando peças recuperadas de carros acidentados para encontrar vulnerabilidades de segurança. Após superar desafios de hardware e acessar serviços de rede internos, agora está em posição de explorar o firmware e as interfaces do sistema.
Os data centers de nova geração estão migrando dos sistemas tradicionais de distribuição de energia AC para sistemas de 800 volts DC para atender às demandas dos chips cada vez mais potentes. As configurações atuais de AC envolvem múltiplas conversões ineficientes de energia que resultam em perda de energia, grandes áreas ocupadas por equipamentos e alta necessidade de cobre. A energia DC de alta voltagem elimina a maioria das etapas de conversão intermediárias, melhorando a eficiência energética, reduzindo perdas elétricas e o uso de cobre, além de diminuir o custo total de operação para instalações em larga escala.
O trabalho em ciência de dados focado na construção e ajuste de modelos está rapidamente se tornando obsoleto à medida que agentes de IA e modelos fundacionais assumem o protagonismo. Hoje, cientistas de dados concentram-se em quatro responsabilidades principais: definir problemas e métricas de negócios, projetar frameworks de avaliação e guardrails, curar dados de alta qualidade e construir sistemas confiáveis de agentes com prompts, ferramentas e supervisão humana.
A pandemia de COVID-19 quebrou completamente os modelos de previsão de demanda da Airbnb em março de 2020. Os modelos, treinados com padrões históricos estáveis, falharam em lidar com grandes oscilações no volume de reservas, picos imprevisíveis de cancelamentos e o colapso da relação normal entre a data de reserva e a data da viagem (composição do tempo de antecedência). Para resolver isso, a Airbnb dividiu a previsão em métricas brutas de reservas na data do booking e composição do tempo de antecedência (a proporção de reservas que se tornam viagens em diferentes datas futuras).
O engine Fusion do dbt entrega uma transformação semelhante ao TypeScript para o desenvolvimento SQL, introduzindo um sistema de tipos e um servidor de linguagem que oferecem verificação de tipos em tempo real, autocompletar inteligente, linhagem inline e refatoração automatizada em data warehouses heterogêneos.
Confiar apenas em um banco de dados vetorial não é mais suficiente para aplicações de IA em produção, especialmente em sistemas RAG e baseados em agentes. Uma camada de dados completa para IA requer cinco componentes integrados: armazenamento vetorial, metadados e filtragem, camada de grafos, cache e governança e observabilidade, tornando essencial arquiteturas híbridas (vetorial + grafo + relacional) para alcançar melhor precisão, menor custo e prontidão real para produção.
O Databricks está entrando no espaço da camada semântica com o Metric Views, uma forma de definir métricas de negócios centralmente no Unity Catalog usando tabelas Delta. No entanto, ainda é bastante limitado comparado às camadas semânticas maduras, suportando apenas agregações simples e carecendo de lógica de negócios complexa, métricas calculadas com dependências e modelagem dimensional avançada.
Junções disjuntivas (usando OR nas condições de junção) quebram a otimização de junções hash do Snowflake, forçando produtos cartesianos caros e lentidões massivas de desempenho. A solução é reescrevê-las como junções equi-separadas, restaurando a execução eficiente e frequentemente acelerando de 100 a 200 vezes.
Avanços impulsionados por IA estão desafiando fundamentalmente o modelo do Stack de Dados Moderno, com LLMs agora capazes de gerar SQL de alta qualidade, automatizar pipelines ETL e criar visualizações de dados sofisticadas, reduzindo drasticamente a escrita manual de consultas e o uso de ferramentas tradicionais de BI. Fornecedores de data warehouse enfrentam pressões de comoditização, enquanto a consolidação e integração no stack aceleram. O paradigma emergente de plataforma de dados provavelmente será um enxame de agentes para gestão de dados, apoiado por um motor de consulta impulsionando a análise.
A Volga agora é um motor totalmente baseado em Rust para IA/ML em tempo real, substituindo o núcleo anterior Python+Ray para obter um runtime mais simples e de maior desempenho, além de melhor controle sobre execução e estado. Ela unifica streaming, processamento em lote e computing em tempo de requisição em um sistema independente, eliminando a integração usual entre Flink, Spark, Redis e serviços personalizados, mantendo um estado correto em ponto único no motor. Os principais componentes são Apache DataFusion para pipelines SQL, Apache Arrow para semântica de execução e SlateDB para estado com suporte S3.
A Expedia desenvolveu o Trino Gateway para resolver a crescente complexidade de gerir dezenas de clusters especializados à medida que o volume de consultas, a simultaneidade e a diversidade de cargas de trabalho aumentavam. Em vez de forçar os usuários a se conectar a diferentes endpoints, o gateway oferece uma URL de conexão unificada que direciona automaticamente as consultas ao melhor cluster com base em regras inteligentes.