<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>Auto Loader on Wiliam Rosa | Lakehouse, Dados &amp; IA</title>
    <link>https://wiliamrosa.github.io/tags/auto-loader/</link>
    <description>Recent content in Auto Loader on Wiliam Rosa | Lakehouse, Dados &amp; IA</description>
    <image>
      <title>Wiliam Rosa | Lakehouse, Dados &amp; IA</title>
      <url>https://wiliamrosa.github.io/images/wiliam-rosa-blog-og.png</url>
      <link>https://wiliamrosa.github.io/images/wiliam-rosa-blog-og.png</link>
    </image>
    <generator>Hugo</generator>
    <language>pt-br</language>
    <lastBuildDate>Wed, 06 May 2026 09:00:00 -0300</lastBuildDate>
    <atom:link href="https://wiliamrosa.github.io/tags/auto-loader/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>5 bilhões de séries temporais, um motor só não basta: como a Databricks separou alerta rápido de investigação profunda</title>
      <link>https://wiliamrosa.github.io/articles/databricks-pantheon-hydra-monitoramento-escala/</link>
      <pubDate>Wed, 06 May 2026 09:00:00 -0300</pubDate>
      <guid>https://wiliamrosa.github.io/articles/databricks-pantheon-hydra-monitoramento-escala/</guid>
      <description>A própria Databricks conta como escalou monitoramento interno para 10 trilhões de amostras por dia e 5 bilhões de séries temporais ativas combinando um fork do Thanos para alerta rápido, uma camada de agregação que absorve pico de cardinalidade, e uma plataforma baseada em lakehouse para investigação profunda sobre dado bruto.</description>
    </item>
  </channel>
</rss>
