A tecnologia está voltando sua atenção para a IA a fim de explorar a possibilidade de digitalizar o olfato, com o objetivo de compreender e manipular essa modalidade sensorial. Programar o olfato pode desvendar muitos mistérios sobre o sentido e abrir novas perspectivas para a percepção. Essa abordagem também possui inúmeras aplicações práticas, como auxiliar na detecção de vazamentos de gás, reduzir a dependência de ingredientes naturais intensivos na perfumaria, ou até mesmo levar à criação de aromas inteiramente novos. Este artigo detalha o estado atual da pesquisa e o futuro promissor dessa indústria, revelando as inovações que estão moldando o futuro dos sentidos.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
19331 notícias encontradas
Elon Musk realizou uma grande reestruturação na xAI após a saída de co-fundadores no início desta semana . A empresa agora se reorganiza em quatro frentes principais: o chatbot e produto de voz do Grok, a área de Coding, o produto de vídeo Imagine e o projeto Macrohard. Esta reorganização estratégica prepara o terreno para futuros lançamentos, como um novo X Chat app e o X Money, ambos esperados para os próximos meses. A xAI também está ativamente recrutando novos talentos, indicando uma fase de expansão e otimização de suas equipes .
A maior parte do código distribuído futuro será gerado por IA . Isso torna crucial a escolha de como instruir a IA: seja para produzir código imperativo comum ou para focar em frameworks onde contratos distribuídos são parte integrante da linguagem . Definir alvos claros como esses ajuda os desenvolvedores a se concentrarem nas questões corretas, em vez de perseguir problemas ambíguos, e, ao fornecer à IA um objetivo que reflita a realidade dos sistemas distribuídos, ela pode auxiliar na construção de sistemas que apresentem menos falhas.
Várias funções da Siri altamente aguardadas podem ser adiadas devido a problemas encontrados nos testes internos nas últimas semanas ️. A Apple agora planeja distribuir as novas capacidades ao longo de várias versões, o que significa que algumas funcionalidades serão postergadas para o iOS 26.5 ou iOS 27. Entre as que correm risco de atraso, estão a capacidade expandida da Siri de acessar dados pessoais e o controle por voz de ações dentro de aplicativos . Embora já exista um suporte inicial para essas features, elas ainda não funcionam de forma confiável em todos os casos, o que sugere um período de espera para que os usuários possam desfrutar de todas as inovações prometidas.
Nunca permita que o Claude escreva código antes de você revisar e aprovar um plano escrito. Essa separação crucial entre planejamento e execução evita desperdício de esforço, mantém o controle das decisões arquiteturais com o usuário e gera resultados significativamente superiores com uso mínimo de tokens. Este artigo detalha um workflow que adota esse princípio central, propondo uma abordagem radicalmente diferente da maioria ao interagir com ferramentas de IA para desenvolvimento de software.
A IA funciona , melhora de forma previsível, e as instituições mais ricas da história estão comprometendo trilhões nela. Não é uma moda passageira. Os próximos anos serão desorientadores de maneiras que a maioria das pessoas não está preparada. Aqueles que se sairão melhor são os que começarem a se engajar agora.
A SpaceX agora é regulamentada pelo Railway Labor Act, uma legislação que isenta seus funcionários do National Labor Relations Act. Essa mudança tem implicações significativas para o futuro das relações de trabalho na empresa de tecnologia espacial, redefinindo o arcabouço legal que protege os direitos dos seus colaboradores. ️
Em um mundo onde a IA se torna cada vez mais comoditizada, as empresas com os moats mais fortes serão aquelas dos setores de energia e logística, as companhias de compute e as organizações baseadas em relacionamento. Descubra por que esses elementos são fundamentais para a resiliência e o sucesso a longo prazo em um cenário tecnológico em constante evolução.
As empresas chinesas de veículos autônomos estão significativamente à frente da concorrência americana no que diz respeito à expansão internacional. Este avanço sugere uma mudança no cenário global da mobilidade autônoma.
A IA pode oferecer um grande valor , e isso torna fundamental analisar onde esse valor é capturado, visando beneficiar tanto empregados quanto empresas. Compreender a dinâmica dessa captura é essencial para garantir um ecossistema tecnológico equitativo e sustentável no futuro.
Questionar o que há de errado com uma ideia pode trazer à tona perigos e riscos logo no início. Essa prática permite identificar e mitigar potenciais problemas antes que se desenvolvam.
A história do atual boom da IA revela uma narrativa dominante que não se concentra no que a tecnologia tem efetivamente construído, mas sim na velocidade com que as pessoas a consomem, na taxa em que as empresas investem em fazendas de GPU e na rapidez com que as ferramentas são adquiridas. É um cenário onde a IA está onipresente no consumo, mas sua presença na produção de resultados concretos é quase imperceptível. Estamos destinando somas sem precedentes para investir em novos sistemas, e o principal produto ou benefício desse gasto massivo, surpreendentemente, parece ser a própria experiência de realizá-lo. Prepare-se para refletir sobre o verdadeiro retorno do investimento em IA!
Uma pipeline de Retrieval-Augmented Generation (RAG) local-first para notas do Obsidian utiliza o DuckDB como um banco de dados vetorial embarcado para armazenar embeddings. O sistema realiza o chunking inteligente de arquivos Markdown, preservando backlinks e a estrutura completa do grafo de conhecimento . Além disso, suporta uma pesquisa semântica poderosa combinada com travessias de dois saltos para revelar conexões ocultas entre ideias. Posteriormente, o sistema sincroniza os dados com o MotherDuck, permitindo a criação de uma web app leve e serverless que executa queries do DuckDB diretamente no navegador.
🚀
Construindo Prometheus: Como a Agregação de Backend Viabiliza Clusters de IA em Escala de Gigawatts
O cluster de IA Prometheus da Meta entregará 1 GW de capacidade ao interconectar dezenas de milhares de GPUs em múltiplos data centers, um feito viabilizado pela rede de Agregação de Backend (BAG). Esta arquitetura utiliza chassis modulares alimentados por ASICs Jericho3, oferecendo largura de banda inter-BAG de nível de petabit (até 48 Pbps por par de região). A BAG incorpora topologias avançadas baseadas em Ethernet, com roteamento eBGP e segurança MACsec. Um gerenciamento preciso de oversubscription e uma arquitetura distribuída são cruciais para garantir uma rede de alto desempenho e resiliente.
A federação de queries tornou-se essencial em bancos de dados OLAP modernos, permitindo queries SQL unificadas entre diversas fontes de dados sem a necessidade de ETL pesado ou duplicação de dados. Enquanto ferramentas de propósito geral como o Trino oferecem ampla conectividade como orquestradores stateless, a federação embarcada em engines de alta performance como o StarRocks entrega melhor desempenho através de otimizações, incluindo execução vetorizada, caching de metadados e forte suporte ao Iceberg.
A IA está atingindo os limites das arquiteturas de transformer lineares e de janelas de contexto massivas, que oferecem recall exaustivo, mas carecem de raciocínio estruturado. Pesquisas emergentes defendem a mudança para arquiteturas baseadas em grafos, como Context Graphs, Trainable Graph Memory e GraphRAG. Essas abordagens possibilitam memória episódica e semântica, raciocínio recursivo e modelagem de estado superior para tarefas como análise de código e coordenação multiagente. Investir em state management e modelos híbridos – combinando a imprecisão de vetores com o rigor de grafos – é crucial para a explicabilidade, rastreabilidade e workflows resilientes de IA.
Na era do código "fast fashion", impulsionada por IA/LLM, engenheiros de software enfrentam sistemas frágeis e difíceis de refatorar, que exigem limpeza e propriedade constantes. No entanto, para os profissionais de dados, essa mesma dinâmica se transforma em vantagens poderosas: a prototipagem rápida e scripts descartáveis se destacam ao lidar com fontes desorganizadas e não estruturadas, como PDFs e vídeos. Isso permite uma pesquisa ad-hoc ágil, sem a pesada carga de manutenção contínua ou o rigor de um polimento de nível de produção.
A Abstração de Grafos da Netflix processa até 10 milhões de operações por segundo em 650TB de dados de grafo, integrando-se de forma transparente com suas abstrações de chave-valor (KV) e séries temporais. Essa integração garante acesso custo-eficiente e de baixa latência (single-digit ms), além de forte consistência eventual. A arquitetura emprega um modelo modular de Property Graph, gerenciamento de schema granular, caching avançado com EVCache e operações assíncronas robustas para máxima escalabilidade e resiliência. Essa abordagem permite travessias de dados rápidas, controle refinado do schema e operação confiável em múltiplas regiões.
Agentes de IA atuais, à semelhança de ferramentas de BI legadas conectadas diretamente a bancos de dados de produção, carecem de confiabilidade devido a fontes de conhecimento não governadas e ruidosas. A engenharia de contexto surge como uma nova disciplina, combinando governança de dados, engenharia e ciência de dados para construir uma única "camada de contexto" governada e versionada para IA. Para as equipes de dados, isso implica a construção de processos de ETL, transformação, orquestração e monitoramento para as fontes de conhecimento da empresa. O trabalho inclui o uso de KPIs quantitativos como taxa de resposta, precisão, velocidade e custo, além de frameworks de avaliação personalizados para aprimorar iterativamente a confiabilidade e eficiência dos agentes de IA.
O dbt Core v1.11 introduz suporte oficial para funções definidas pelo usuário (UDFs), permitindo que as equipes padronizem a lógica de transformação reutilizável diretamente em seus data warehouses, abrangendo BigQuery, Snowflake, Redshift, Postgres e Databricks, com UDFs em Python disponíveis no Snowflake e BigQuery. A validação aprimorada de schema JSON garante a detecção mais rigorosa e precoce de problemas de configuração, melhorando a confiabilidade do código. Otimizações específicas de adaptadores, como batched source freshness no BigQuery e deletion tracking em snapshots do Databricks, impulsionam ainda mais o desempenho e a governança.