1. MLflow com Docker: rastreamento de experimentos de ML Como subir o MLflow com Docker para registrar experimentos de ML, comparar runs e decidir o que vai para produção com dados reais. Docker e DevOps··7 min
  2. LiteLLM: gateway unificado para múltiplas APIs de LLM LiteLLM funciona como um proxy entre suas aplicações e qualquer API de LLM. Veja quando faz sentido usar e como subir em Docker. Docker e DevOps··7 min
  3. Detecção de drift: quando o modelo de ML para de servir Detecção de drift mostra quando seu modelo de ML deixou de servir com dados novos. Veja os sinais, as métricas certas e como reagir a tempo. Inteligência Artificial··7 min
  4. Traefik com Docker Compose: reverse proxy sem dor de cabeça Configure o Traefik com Docker Compose, ganhe roteamento por subdomínio e HTTPS automático sem gerenciar certificado manualmente. Docker e DevOps··7 min
  5. Langfuse self-hosted: rastreamento de LLMs com Docker Langfuse self-hosted com Docker é a forma mais direta de rastrear chamadas de LLM, avaliar prompts e entender onde seu agente quebra. Veja como subir. Docker e DevOps··6 min
  6. Avaliação de LLM em produção: como medir o que importa Avaliação de LLM em produção precisa de rubrica, juiz automático e amostra humana. Veja como estruturar a camada que sobrevive em produção real. Inteligência Artificial··13 min
  7. DuckDB: o que é e quando ele substitui o banco de dados DuckDB é um banco analítico que roda dentro do seu processo, sem servidor. Veja quando ele resolve, quando não resolve e como usar com Polars. Engenharia de Software··10 min
  8. Busca semântica com embeddings: quando usar e medir Embedding transforma texto em vetor e a busca semântica compara vetores. Veja quando ela ganha da busca por palavra e como medir o acerto. Inteligência Artificial··11 min
  9. Prompt caching para LLMs: como parar de pagar pelo mesmo token duas vezes A fatura de LLM subiu de novo e a sugestão óbvia é trocar de modelo. Mas o problema quase sempre está antes disso: você está processando o mesmo conteúdo... Inteligência Artificial··10 min
  10. Feature Store para ML: vale o investimento ou é overhead? Feature store centraliza features de ML e reduz retrabalho em times que escalam. Sem volume de modelos em produção, a adoção gera complexidade sem retorno. Inteligência Artificial··10 min
  11. Janela de contexto de LLMs: o que realmente importa e como não desperdiçar tokens Mandar mais texto para um LLM não garante resposta melhor. Entenda como funciona a janela de contexto e como decidir o que realmente entra nela. Inteligência Artificial··9 min
  12. Banco de dados vetorial: pgvector ou banco dedicado (como decidir sem over-engineering) Entenda quando o pgvector resolve e quando um banco vetorial dedicado como Qdrant ou Pinecone realmente faz diferenca, com criterios praticos para tomar essa... Inteligência Artificial··10 min