Tópico
Tecnologia
artigos.
Imutável não é o mesmo que verificável: guia do comprador para alegações de trilhos de auditoria
Armazenamento imutável impede alterações; uma prova verificável permite a qualquer terceiro confirmar que elas não aconteceram. Oito perguntas para separar as duas coisas numa proposta.
O fim da FIPS 140-2: porque é que as suas provas de integridade precisam de um inventário criptográfico
A 21 de setembro, os restantes certificados FIPS 140-2 passam ao estatuto histórico. O impacto imediato faz-se sentir nas aquisições.
A longa vida de uma assinatura: integridade pós-quântica para registos que tem de guardar durante décadas
Os algoritmos de assinatura atuais podem não sobreviver à computação quântica; muitos registos têm de sobreviver a ela. Como separar a prova de integridade da assinatura e planear a transição.
É possível saber se um modelo de IA foi treinado com dados adulterados? Uma abordagem forense
Após um incidente, a questão não é se o modelo se comportou de forma estranha. É se consegue provar com que dados foi realmente treinado, desde o início.
ISO 42001 versus NIST AI RMF: onde está realmente a lacuna na integridade dos dados
Ambos os referenciais pedem-lhe que governe os seus dados de IA. Nenhum lhe diz como provar, de forma independente, que o fez de facto.
As fichas de modelo não são proveniência de dados: porque é que a documentação, por si só, não satisfaz os reguladores
Uma ficha de modelo diz-lhe o que uma equipa afirma sobre um modelo. Não prova nada disso. Os reguladores começam a dar conta da diferença.
O que significam realmente «dados prontos para IA»: uma definição de auditabilidade, não de marketing
Todos os fornecedores afirmam que os seus dados estão prontos para IA. Eis uma definição que se mantém de pé quando quem faz a pergunta é um regulador, e não uma apresentação comercial.
Como funcionam realmente os ataques de envenenamento de dados e porque é que as defesas baseadas em assinaturas não os detetam
O envenenamento não se parece com um ataque. Parece-se com dados. É isso que o torna eficaz e difícil de detetar a posteriori.
Pistas de auditoria criptográficas: como funcionam e porque é que os reguladores passaram a exigi-las
Os registos de auditoria convencionais podem ser alterados. As pistas de auditoria criptográficas não. Eis a diferença e porque é que é relevante para a conformidade.
Porque é que a adulteração de dados é mais perigosa do que o ransomware
O ransomware anuncia-se. A adulteração de dados não. E é precisamente essa invisibilidade que faz dela a ameaça mais grave.
Blockchain para a conformidade em 2026: do hype aos casos de uso reais
Depois de anos de promessas exageradas, a blockchain encontrou o seu verdadeiro caso de uso empresarial - e não são as criptomoedas.
Como provar que a sua propriedade intelectual surgiu primeiro: porquê usar carimbos temporais verificáveis
Em ambientes de inovação acelerada pela IA, a capacidade de provar quando criou algo está a tornar-se tão importante como a própria criação.
Segurança de APIs e integridade de dados: o que todos os programadores devem saber em 2026
As APIs são a superfície de ataque que a maioria das empresas subestima. Eis o que significa integridade de dados na camada de API.
Impressões digitais criptográficas de dados em pipelines RAG: guia técnico
A geração aumentada por recuperação só é tão fiável quanto os dados que recupera. Eis como verificá-los.
Linhagem de dados vs. integridade dos dados: o que todas as equipas de IA precisam de saber
Parecem semelhantes. Não são. Compreender a diferença determina se as suas provas relativas à IA resistem a uma auditoria.
eIDAS 2.0 e a Carteira EUDI: o que as empresas precisam de saber antes de dezembro de 2026
A implementação obrigatória da identidade digital na Europa está a poucos meses de distância - eis o que as organizações reguladas devem fazer já para se prepararem para a integração da Carteira EUDI.
O que é a integridade criptográfica dos dados? Um guia em linguagem simples
O termo está em todo o lado na conformidade e na governação da IA. Eis exatamente o que significa, como funciona e porque é importante.
As alucinações da IA são um problema de proveniência dos dados, não do modelo
A causa raiz da maioria dos erros de IA não é o modelo - são os dados não verificados com que o modelo foi treinado ou que vai buscar.
Nenhum artigo encontrado. Tente outro termo.
Explore outras categorias para encontrar conteúdo relevante
Fique a par
Insights de
ciber-resiliência.
Receba insights de ciber-resiliência no seu email. Orientação prática e pronta para auditoria sobre integridade de dados, conformidade e continuidade - à medida que publicamos.