A Apple anunciou o HomeView, uma tela inteligente de 7 polegadas que reúne entretenimento, videochamadas e controle da casa inteligente. O dispositivo estreia uma nova versão da Siri com inteligência artificial e respostas personalizadas para os moradores.
O HomeView custa US$ 299 nos EUA (cerca de R$ 1.490) e chega às vendas em 13 de novembro em mercados como Estados Unidos, Canadá, Reino Unido, Austrália, Índia e Nova Zelândia, sem previsão para o Brasil no lançamento inicial. A interface ajusta brilho e informações conforme a iluminação e a distância do usuário, identifica até seis pessoas por reconhecimento facial e integra funções como chamadas FaceTime, comandos de voz e monitoramento de até nove câmeras.
A Apple anunciou a nova geração da Apple TV 4K com inteligência artificial integrada à Siri, chip A19 e suporte a som surround com quatro alto-falantes. A assistente fica mais “conversacional”, ajudando a encontrar filmes e séries por interface em tela cheia, com cartazes e recomendações ligadas ao que o usuário pede.
A Apple TV 4K também traz três microfones de longo alcance para controlar a reprodução e buscar conteúdos sem segurar o controle remoto, além de descrições de vídeos e resumos de notificações gerados por IA com processamento local via HomeKit Secure Video. No mesmo evento, o HomePod mini 2 ganhou melhorias de áudio, novas cores e suporte futuro à Siri com IA, com reconhecimento de até seis vozes e integração com Mensagens, lembretes e temporizadores.
A Apple apresentou o novo Apple TV 4K, o primeiro modelo em quatro anos, com disponibilidade a partir de sexta-feira, 13 de novembro. O aparelho traz o chip A19 e promete conectividade sem fio melhor do que a geração anterior, além de microfones integrados.
A Siri com recursos de IA será parte do lançamento, mas deve funcionar em beta nos Apple TV 4K de segunda geração e nos modelos mais novos. O novo Find My de rastreamento funciona com o controle Siri de segunda geração e mais recentes, enquanto o preço do lançamento é de US$ 299.
A Uber refez partes importantes do pipeline de busca do Uber Eats e relata uma redução de 50% na latência fim a fim. As mudanças atravessam recuperação (retrieval), hidratação de features, ranking, caminho de anúncios, apresentação e infraestrutura, com uso de um fluxo de coding agentic para identificar, benchmarkar e validar otimizações adicionais.
A empresa também trocou o foco do indicador principal: em vez de medir o tempo de resposta de APIs, passou a acompanhar o Above-the-Fold completion, tempo até a primeira tela de resultados com imagens. Com paginação e cache no servidor, renderização assíncrona e ajustes como descarte de candidatos de baixo valor, embeddings de produto e separação entre hidratação de ranking e apresentação, a Uber diz ter melhorado o Above-the-Fold em mais de 200 ms e cortado etapas específicas em dezenas de milissegundos, além de redesenhar o caminho de anúncios e reduzir overhead de infraestrutura.
Agentes de IA que “passam” em demos podem falhar quando chegam ao mundo real por causa de dados inconsistentes, fontes diferentes, mudanças frequentes de informação e desafios como permissões de sistema. Mesmo quando retrieval e RAG funcionam no ambiente controlado, o agente pode não ter o contexto de negócios necessário para tomar ações com base em informações atuais e confiáveis.
No dia 14 de outubro, Ravi Marwaha, COO e Chief Product & Technology Officer da Arango, vai explicar seis requisitos de dados para tirar agentes da fase de demonstração e preparar a arquitetura para produção. O conteúdo inclui exemplos sobre clientes que aparecem de formas diferentes em sistemas distintos, necessidade de entender “por que” uma decisão foi tomada e como manter governança e contexto unificado para reduzir latência, custos e trabalho manual.
A recuperação de dados segue como um dos desafios centrais em sistemas de IA, e a chegada de agentes eleva a exigência sobre a infraestrutura de busca. Agentes fazem consultas em alta velocidade, dividem perguntas complexas em buscas paralelas e precisam de um mecanismo de retrieval que acompanhe o ritmo sem custos proibitivos.
A Chroma, conhecida pelo ChromaDB e pelo paper Context Rot, lançou o Context One, um subagente de retrieval com 20 bilhões de parâmetros. O modelo foi treinado para realizar busca agentic com qualidade de nível “frontier”, mas com custo e velocidade melhores, e a empresa discute em entrevista a origem do ChromaDB e a evolução do entendimento sobre “context rot”.
Cassie Shum apresentou padrões para construir sistemas de IA agentica com foco em knowledge graphs, conectando recuperação de informações (retrieval) ao raciocínio (reasoning). A palestrante descreveu como voltou ao código e ao desenvolvimento, usando conhecimento de engenharia de software e experiências com knowledge graphs na empresa RelationalAI.
O conteúdo foi organizado em duas partes: por que knowledge graphs funcionam como base para sistemas agenticos e quais lições práticas foram aprendidas ao montar um harness de desenvolvimento sobre um knowledge graph. Shum também reforçou que não se trata de um tutorial único nem de uma previsão de “framework”, mas de aprendizados para sustentar as fundações dos agentes enquanto a tecnologia evolui rapidamente.
Sistemas de RAG podem continuar acessando documentos após mudanças de identidade, como quando alguém sai de um time e ainda assim consegue puxar materiais do índice por horas. Em revisões de segurança, equipes relatam dificuldade em garantir que o modelo não vai resumir informações sensíveis, como revisões de compensação, para pessoas não autorizadas. O ponto central defendido é que permissões não devem funcionar como um filtro aplicado depois que o contexto já foi montado.
A proposta é tratar permissões como uma propriedade do processo de “context assembly”, a etapa final que decide quais partes do conhecimento corporativo serão entregues ao modelo para uma identidade específica, no momento e na pergunta corretos. O texto compara abordagens de fornecedores como AWS Context (ainda sem GA no momento citado), Microsoft com retrieval com identidade e Databricks com Unity Catalog, destacando que a proteção depende de onde a autorização é aplicada e que falhas podem ocorrer quando a autorização chega tarde demais na cadeia.
Agentes de IA estão mudando as exigências de recuperação de informação e fazendo do Retrieval Engineering uma disciplina central na engenharia de aplicações. Com sistemas que investigam, raciocinam e agem em nome do usuário, a busca deixa de ser apenas “achar respostas” e passa a entregar evidências certas no momento certo.
Para engenheiros, isso amplia desafios como definir quais sinais importam para cada usuário, lidar com mudanças de relevância em eventos recentes e combinar sinais estruturados, não estruturados e comportamentais. Também entra a necessidade de decidir quando o modelo deve influenciar o ranking e de otimizar por resultados de negócio, não apenas por similaridade, com engenharia de todo o fluxo de recuperação e experimentação contínua.
Empresas estão adotando a arquitetura Retrieval-Augmented Generation (RAG) para melhorar chatbots que antes respondiam com base apenas no conhecimento do modelo. A ideia é reduzir o risco de respostas imprecisas ou “alucinações” ao fazer o sistema buscar documentos autorizados pela empresa — como políticas, contratos, manuais e artigos — antes de gerar a resposta. Na prática, o chatbot consulta uma “base interna” e só então formula o texto usando esse material como referência.
Isso importa porque, em áreas onde precisão pesa mais que criatividade, o RAG aumenta a aderência às informações mais recentes e às regras do negócio. Para times de atendimento, jurídico e RH, a mudança significa responder dúvidas com fundamento em documentos corporativos, em vez de depender exclusivamente do que o modelo aprendeu no treinamento.
