20 documentos marcados com "Advanced"

Techniques and tools for tracing, logging, and diagnosing failures in AI agent systems.

How to measure, benchmark, and systematically test AI agent performance in production and development.

Threats, attack vectors, and defensive techniques for securing AI agent systems in production.

Ferramenta de gerenciamento de configuração e automação sem agente que usa playbooks YAML declarativos para configurar servidores, instalar software e gerenciar ambientes de treinamento de ML em escala.

DAG-based workflow orchestration for ML and data pipelines — operators, sensors, hooks, XComs, and scheduler architecture.

Distributed event streaming with Apache Kafka — topics, partitions, producers, consumers, and real-time ML feature pipelines.

Distributed data processing with Apache Spark — RDDs, DataFrames, Spark SQL, MLlib, and driver/executor architecture.

Combinando aprendizado profundo com aprendizado por reforço para aprender políticas complexas.

Como o Claude Code usa cache de prompts para reduzir latência e custos de tokens reutilizando prompts de sistema, definições de ferramentas e prefixos de conversa previamente processados entre chamadas de API.

Como construir clientes MCP que conectam aplicações de IA a servidores MCP — cobrindo inicialização do cliente, descoberta de capacidades, invocação de ferramentas, leitura de recursos e seleção de transporte.

Como construir servidores MCP que expõem ferramentas, recursos e prompts para qualquer aplicação de IA compatível com MCP — cobrindo configuração do servidor, registro de capacidades, configuração de transporte e o ciclo de vida completo do servidor.

Directed acyclic graph workflows for agents — parallel execution, task dependencies, and dynamic graph construction.

Repositórios centralizados para computar, armazenar e servir features de ML de forma consistente entre treinamento e produção.

Plataforma de análise e visualização open-source para construir dashboards interativos sobre dados de séries temporais e logs, essencial para monitoramento de infraestrutura de ML e desempenho de modelos.

Kit de ferramentas ML de código aberto para Kubernetes — pipelines, ajuste de hiperparâmetros e serviço de modelos em escala.

Executando cargas de trabalho de aprendizado de máquina no Kubernetes — containerizando modelos, agendamento de GPU e estratégias de escalonamento.

Model Context Protocol (MCP) no Claude Code — o que são servidores MCP, como eles estendem as capacidades do Claude, como instalá-los e configurá-los, e como construir servidores MCP personalizados.

Toolkit de monitoramento e alertas open-source construído em torno de um banco de dados de séries temporais e um modelo de scraping pull-based, amplamente usado para infraestrutura de ML e métricas de modelos.

Agents that evaluate their own output and iteratively improve through reflection, critic agents, and the Reflexion framework.

Ferramenta declarativa de Infraestrutura como Código da HashiCorp para provisionar e gerenciar recursos em nuvem, amplamente usada para criar infraestrutura de ML reprodutível, incluindo instâncias de GPU, buckets de armazenamento e clusters Kubernetes.