Level 2 Jeff a proposé un défi sur sa chaîne YouTube : dépixelisation des images d'une vidéo. A la clé : 50 $. L'image était fortement pixelisée rendant toute identification impossible. Sauf qu'il n'a fallu que quelques heures pour réussir le défi ! KokuToru a publié sur son GitHub les méthodes utilisés. Ce qui est intéressant est l'approche différente (et complémentaire) entre les deux solutions du hacker. La première est une "attaque" par force brutale. Le plus difficile est de pouvir s'appuyer sur une image stable visible dans la vidéo du défi.

Dans la solution 1, le développeur utilise du TensorFlow pour extraire les pixels et toutes les données possibles de l'image puis de agréger pour tenter de reconstituer l'image. Il fallait extraire les frames avec ffmpeg puis les traiter par un templare. Cet test 1 repose sur 56 frames. Le résultat est loin d'être parfait mais avec un peu de concentration on peut lire certaines informations (l'image contenu le contenu d'un SSD).

La solution 2 se révèle bien plus puissante. Elle mêle algo, ffmpeg et GIMP. Comme le dit KokuToru, le test 2 s'appuie sur les principes du test 1 en trouvant une position dans la fenêtre automatiquement pour améliorer le traitement et avoir plus de données. Cette approche a permis d'extraire 200 frames. 

Et là, le résultat est beaucoup plus précis et surtout la dépixelisation permet une lecture facile du contenu !

Il a fallu à peine 4 heures pour aboutir à ces résultats.

Comme le dit Jeff, il aurait fallu un supercalculateur il y a quelques années. Aujourd'hui, entre l'IA et les outils disponibles, il est possible d'aller beaucoup plus vite même quand il s'agit d'une vidéo floutée. Pour Jeff, le fait d'avoir déplacé la fenêtre contenant les données à lire a permis de générer des données et des frames supplémentaires. Il ne pense plus appliquer un simple flou ou un effet de pixelisation à l'avenir. 

"La morale de l'histoire, c'est que si vous ne voulez pas que les gens lisent des données censurées… ne les publiez pas en ligne." conclut Jeff. 

Post de Jeff sur le travail de KokuToru : https://www.jeffgeerling.com/blog/2025/its-easier-ever-de-censor-videos

Les solutions de KokuToru : https://github.com/KoKuToru/de-pixelate_gaV-O6NPWrI?tab=readme-ov-file

Quelle surprise ! Une récente étude d'Azul indique que 83 % des DSI ayant répondus à l'étude disent dépenser plus que prévu dans les services cloud. Bref, il y a décalage entre le prévisionnel et la réalité. Pis, la moitié des DSI affirme que les dépenses cloud dépassent +25 %... Seulement 2 % affirme dépenser moins que prévu. 

Pourquoi un tel différentiel : le manque d'anticipation de certains workloads, la difficulté à maîtriser la complexe tarification du cloud, l'IA. Cependant, cela ne devrait pas empêcher le cloud de s'étendre et d'être toujours plus présent dans les entreprises.

Les débats sur les claviers sont sans fins. Personnellement, rien ne vaut les claviers mécaniques des années 80 et 90 pour la qualité de la frappe, le ressenti à la frappe, le caractère précis de la pression.

Cherry annonce un nouveau modèle de switch : le MX Northern Light. « C’est notre commutateur linéaire le plus abouti à ce jour, conçu pour celles et ceux qui nous ont inspirés », déclare Joakim Jansson, Head of Product Manager CHERRY. « MX Northern Light illustre parfaitement ce qui se passe quand CHERRY écoute sa communauté et repousse les limites de la précision mécanique. »

Avec cette annonce, Cherry propose un pack inédit : un clavier compact et un tapis souris dédié. 

Equipé de la dernière technologie MX2A, le switch intègre :

GitLab annonce que son service Duo est disponible avec Amazon Q. Cette solution intégrée est proposée en bundle aux clients GitLab Ultimate sur AWS. Cette version embarque directement les agents Amazon Q Developer au sein de la plateforme GitLab.

Pour GitLab, cette intégration répond à plusieurs défis :

●    Le développement autonome de nouvelles fonctionnalités
Transformation automatique des idées de fonctionnalités en merge requests prêtes à être intégrées, en quelques minutes : analyse des besoins, planification, et génération de merge requests conformes aux standards internes.

●    La modernisation des bases de code existantes
Automatisation de la refonte de bases de code Java 8 et 11 : création d’un plan de mise à niveau complet, génération de merge requests documentées avec traçabilité.

●    La remédiation des vulnérabilités de sécurité
Explication des failles, analyse des causes racines, et remédiation en un clic via des suggestions de modifications de code.

●    L’amélioration de l’assurance qualité
Génération automatique de revues de code pour améliorer la couverture de tests et la cohérence de qualité tout en réduisant la charge manuelle.

●    L’optimisation des revues de code
Accélération des cycles de relecture grâce à des retours en ligne, des suggestions d’amélioration et des alertes sur les performances et la sécurité.

FerretDB se présente comme une alternative open source à MongoDB. Il peut utiliser les pilotes MongoDB avec PostgreSQL. L'environnement se base justement sur PostgreSQL, comme SGBD backend. L'idée de FerretDB est de pouvoir utiliser les mêmes outils, pilotes, langage de requête que MongoDB. 

La motivation de FerretDB est de proposer une solution compatible open source et évite d'utiliser les fonctions avancées de MongoDB. FerretDB annonce une compatibilité avec les pilotes et les outils de MongoDB, à partir de la v5.x et le projet vise à améliorer les performances et à suivre les évolutions de MongoDB au fur et à mesure.

Cela signifie une roadmap fonctionnelle chargées. Chaque trimestre, une version apporte son lot de nouveautés. Pour le 1er trimestre, la version 2 est arrivée : licence Apache 2, support payant pour les entreprises, FerretDB cloud (sur AWS, GPC et Azure très bientôt). La 2.1.0 a été déployée el 3 avril avec des corrections de bugs et des performances améliorées sur DocumentDB. 

Pour en savoir plus : https://www.ferretdb.com/

La datagrid est un des objets d'interface les plus utilisés mais aussi parfois le moins pratique. Handsontable est une datagrid en JavaScript reprenant l'ergonomie d'un tableur. Il peut s'utiliser en JavaScript, TypeScript, React, Angular, Vue. Son apparence tableur est faite pour être plus familier aux développeurs et aux utilisateurs. Il permet d'éditer, de saisir, de modifier les données. On peut injecter toutes sortes de sources de données. 

La personnalisation est poussée : différents thèmes, API flexibles, internationalisation, raccourcis clavier, 400 formules de calculs, validation des données, fusion des cellules, etc. 

Installation ultra simple : npm install handsontable

Le projet est disponible en version 15.2.0. Cette version met en avant la stabilité et les performances. Le plugin filtre a été réécrit, la traduction a été améliorée en supportant totalement le Farsi. 

Note de version de la 15.2.0 : https://handsontable.com/blog/handsontable-15.2.0-stability-improvements

GitHub : https://github.com/handsontable/handsontable?tab=readme-ov-file