Blog
Modelos em sequência corrigindo os erros do anterior: AdaBoost, gradient boosting, XGBoost, LightGBM e CatBoost — e o stacking sobre predições out-of-fold.
Docker congela o sistema, renv congela os pacotes: as imagens rocker, o cache de camadas que acelera rebuild e os segredos por variável de ambiente.
A moeda se vira: a IA como ferramenta do profissional de segurança e, inevitavelmente, do atacante — com a ética que essa dupla natureza exige.
Três direções depois do curso — estatística e inferência, machine learning, engenharia de dados — e por que tentar as três ao mesmo tempo atrasa todas.
Além da prompt injection: jailbreak que contorna guardrails, extração de dados e do modelo, envenenamento de treino e falhas de RAG.
Bagging reduz variância, boosting reduz viés. Random Forest, o sorteio de features que descorrelaciona as árvores, e o OOB como validação quase de graça.
O modelo não distingue instrução do desenvolvedor de dado do usuário — tudo é texto no mesmo fluxo. É o padrão da injeção, agora em LLM.
O critério honesto para distribuir: o que microserviços realmente compram, a Lei de Conway como bússola e o custo escondido da rede.
Quebrar o acoplamento temporal com fila: a diferença entre mensagem e evento, e o processamento de vídeo do FakeFlix rodando em BullMQ.
O aparato que separa projeto de estudo de sistema em produção: factories nos testes, isolamento sem vazar persistência, logging estruturado e JWT entre módulos.