Elena Petrova
Ciência de Dados
Elena escreve estudos de dados e benchmarks, além de conteúdo sobre a qualidade dos dados coletados: como medi-los, limpá-los e construir datasets consistentes.
Escreve sobre
- Estudos de dados e benchmarks
- Qualidade dos dados
- Construção de datasets
Artigos de Elena Petrova
-
10 de novembro de 2026 · Conhecimento
Arquivos da Web como Fonte de Dados: O que a Wayback Machine Pode e Não Pode Te Dizer
A Wayback Machine armazena mais de um trilhão de capturas. Como consultá-la, onde sua cobertura e qualidade deixam a desejar, e por que mais sites agora a mantêm de fora.
-
6 de novembro de 2026 · Conhecimento
Common Crawl: Quando um Crawl Gratuito É Suficiente e Quando Você Precisa do Seu Próprio
O Common Crawl publica bilhões de páginas por mês gratuitamente. O que ele contém, o que ele deixa de fora, como verificar se suas fontes estão nele e quando fazer seu próprio crawl.
-
5 de novembro de 2026 · Conhecimento
Mesmo Produto, Preço Diferente: Discriminação Geográfica de Preços em 20 Países
Comparamos os preços de tabela de 10 jogos em 20 países em um único dia. O mesmo jogo custou até 4,1 vezes mais em um mercado. Os dados, o método e as armadilhas.
-
3 de novembro de 2026 · Conhecimento
Wikipedia pede que empresas de IA usem sua API paga e parem de fazer scraping
A Wikipedia pediu que empresas de IA dessem atribuição e usassem o Wikimedia Enterprise, e depois reforçou seus limites. O que mudou e as formas corretas de acessar os dados.
-
31 de outubro de 2026 · Conhecimento
Os sites mais raspados em 2026: um retrato de 30 dias do web scraping
Quais sites são mais raspados em 2026? Analisamos 30 dias de dados públicos de uso de 8.186 scrapers prontos e 239,8 milhões de execuções, e classificamos os alvos por demanda e taxa de sucesso.
-
29 de outubro de 2026 · Conhecimento
Como coletar dados web multilíngues e regionais para LLMs
Como coletar dados web multilíngues e regionais para treinar LLMs: planejar a cobertura por idioma, encontrar fontes locais, obter a versão local certa, identificar idiomas, filtrar por idioma e equilibrar a mistura.
-
26 de outubro de 2026 · Conhecimento
Marketplaces e licenciamento de dados de treinamento de IA: quando comprar e quando coletar
Como funcionam os marketplaces e os acordos de licenciamento de dados de treinamento de IA, quanto os dados licenciados realmente custam e um método prático para decidir quando comprar um conjunto de dados e quando coletá-lo você mesmo.
-
24 de outubro de 2026 · Conhecimento
Proveniência no Pipeline de Treinamento de IA: Provando de Onde Seu Dataset Veio
O que a proveniência de dados de treinamento de IA significa na prática: o registro a ser mantido para cada documento, o que o resumo do EU AI Act exige e como mantê-lo ao longo do processo.
-
19 de outubro de 2026 · Extração de dados
Economia de Retentativas: O Número da Tentativa em Que Repetir Deixa de Compensar
Cada nova tentativa tem menos chance de dar certo que a anterior. Como medir o ponto em que repetir deixa de compensar, usando seus próprios logs e algumas linhas de Python.
-
15 de outubro de 2026 · Proxies Residenciais
Diversidade de ASN em Pools de Proxies Residenciais: Como Medi-la
Um script Python gratuito para medir a diversidade de ASN em um pool de proxies: participação da rede principal, HHI e ASNs efetivos, além do que nosso benchmark de 17 redes revelou.
-
11 de outubro de 2026 · Conhecimento
CAPTCHAs Impedem Bots ou Apenas os Atrasam? Medindo a Dissuasão em Relação à Taxa de Resolução
O que duas décadas de pesquisa dizem sobre CAPTCHAs: quanto tempo custam aos humanos, com que frequência bots e agentes de IA os resolvem e por que agora funcionam como um custo.
-
8 de outubro de 2026 · Extração de dados
Eficiência de Payload: Qual Parcela de uma Página Raspada É Boilerplate Pelo Qual Você Pagou
Medimos 278 páginas de conteúdo dos 1.000 principais sites. O texto que você quer é cerca de 1% do HTML e uma fração minúscula do que um navegador baixa.
-
7 de outubro de 2026 · Proxies Residenciais
A Shifter Agora Tem o Maior Pool de IPs Residenciais dos EUA Ativos
Testamos novamente o Shifter em nosso benchmark de proxy residencial: 212.212 IPs dos EUA ativos em 250.000 requisições, o maior pool de IPs dos EUA ativos entre as 17 redes que medimos.