Hub · Produção
A engenharia por baixo da arquitetura: MLOps, observabilidade e SRE, sistemas distribuídos, security engineering, FinOps e system design — mais a camada de dados de qualquer RAG: Postgres internals, NoSQL e vector databases, search e information retrieval, e data engineering. Absorveu o antigo hub de Dados, porque dado e operação são o mesmo problema visto de dois lados.
TRILHAS DESTE HUB
MLOps real: training pipelines (Airflow/Kubeflow), feature stores (Feast), experiment tracking + model registry (MLflow), data versioning (DVC), serving (Triton/TorchServe/BentoML), monitoring drift, CI/CD para modelos. Infraestrutura sólida, não hype.
Métricas RED/USE, OpenTelemetry, SLOs, error budgets, incident response — o que separa "fazer deploy" de operar sistema em produção.
CAP, consensus, idempotência, sagas, event sourcing — a base técnica que separa "funciona no localhost" de "funciona com 3 nós e 1000 req/s".
Segurança como disciplina própria: threat modeling STRIDE, authn vs authz, OAuth2/OIDC do zero, JWT/Paseto/sessions, password hashing moderno (argon2), OWASP Top 10 com código, secrets management (Vault/SOPS), supply chain (SBOM, sigstore), Zero Trust + mTLS, capstone pentest em app próprio.
FinOps como disciplina: unit economics de software, cost anomaly detection, rightsizing sem medo, reservas/Savings Plans/Spot strategy, cultura FinOps cross-team, observability de custo (tags, allocation), capstone de redução 30% em app real.
System design como disciplina de interview e de carreira: framework estruturado, back-of-envelope, cases canônicos (URL shortener, Twitter feed, rate limiter, chat, search, notification, distributed cache) e templates de whiteboard. Nível sênior/staff.
Postgres profissional além do CRUD: MVCC e isolation levels reais (snapshot, serializable, RR, RC), query planner com EXPLAIN ANALYZE, índices avançados (B-tree, BRIN, GIN, GiST, partial, covering), vacuum e bloat (causa #1 de DB morrendo), connection pooling (pgbouncer), replication (sync/async, failover), partitioning declarativo. Capstone: tuning real de workload.
Além do Postgres: MongoDB (documents), Redis avançado (structures + streams), DynamoDB (single-table design), ClickHouse (analytics OLAP), SQLite moderno (embedded 2026), Vector DBs (pgvector/Pinecone/Weaviate/Qdrant). Quando usar cada, anti-patterns, casos reais.
Busca como engenharia: BM25/TF-IDF, Elasticsearch internals, OpenSearch/Meilisearch/Typesense comparados, hybrid search, reranking BGE/Cohere, vector DBs e métricas de avaliação
Data engineering profissional: batch vs stream mental model, dbt como transformação declarativa, orchestração (Airflow vs Dagster vs Prefect), revolução in-process (DuckDB/Polars), data lake/lakehouse/warehouse, CDC com Debezium, Kafka fundamentos, table formats abertos (Iceberg/Delta), qualidade de dados, capstone de pipeline end-to-end.
EXPLORAR OUTROS HUBS