Pipelines de dados gerados por IA passam no teste do primeiro dia e quebram nas semanas seguintes porque as regras que os mantêm de pé — completude, idempotência, plausibilidade, latência — nunca foram escritas. Com base em pesquisa de Google, Amazon e Microsoft sobre validação de dados, benchmarks de text-to-SQL e estudos sobre alucinação, este artigo mostra o que o time de dados precisa especificar antes de pedir o código.
RAG (Retrieval-Augmented Generation) é a forma mais comum de fazer um modelo de linguagem responder com base nos seus dados. Com base no artigo original de Lewis et al., em estudos sobre recuperação, contexto longo, fine-tuning, alucinação e segurança, e na documentação de fornecedores, este guia explica o que é RAG, para que serve, como configurar cada etapa, quando usar e quando ele atrapalha mais do que ajuda.
O dbt operacionalizou o paradigma ELT ao assumir a camada de transformação dentro do data warehouse e trouxe disciplina de engenharia de software para o SQL analítico — controle de versão, testes automatizados, revisão por pares e documentação de linhagem. Organizacionalmente, catalisou o papel de analytics engineer e um modelo colaborativo entre times. Este artigo pesa as evidências: sim, o dbt mudou práticas técnicas e organizacionais de forma material, mas NÃO resolveu os problemas mais difíceis — qualidade e propriedade dos dados persistem como obstáculos. Uma ressalva metodológica atravessa todo o texto: a maior parte dos números de impacto vem da própria fornecedora (dbt Labs), não de pesquisa acadêmica independente.