AI-Systeme für den Produktionseinsatz
Über Slava Dubrov
AI-Systeme für Produktion, Evaluation, Sicherheit und die Evidenzschleifen, die sie verbessern.
Ich bin Slava Dubrov – formal Dr. Viacheslav Dubrov* – und arbeite als Staff AI System Engineer an Software Engineering, Agentensystemen, Evaluation, Retrieval, Security und produktiver Infrastruktur.
Heute arbeite ich bei octonomy AI an produktiven AI- und Softwaresystemen. Zuvor leitete ich bei HubSpot die Arbeit am Context Layer für Retrieval-, Grounding- und Memory-Infrastruktur und arbeitete danach im Bereich Agent Execution an LLM-Deployment, Fine-Tuning, Evaluation, Safety und Runtime. Der rote Faden ist die Frage, was passiert, wenn ein vielversprechendes Modellergebnis auf ein reales System trifft.
Die Arbeit hinter der Perspektive
Meine Arbeit führte von Ranking- und Fraud-Systemen über Retrieval-Infrastruktur bis zu produktiven Agenten.
Ausgewählte Erfahrung
- HubSpot — Context Layer und Agent Execution. Ich verantwortete Architektur und technische Führung auf Staff-Level für Retrieval, Grounding, Memory, LLM-Deployment, Fine-Tuning, Evaluation, Safety und Runtime.
- Wayfair — Fraud-, Scam-Erkennung und Embeddings. Ich entwickelte und leitete Systeme, die mit jährlichen Einsparungen von etwa 4 Mio. US-Dollar verbunden waren.
- OLX — Recommendation und Search Ranking. Ich arbeitete an Ranking- und Recommendation-Systemen im Marketplace-Maßstab.
Öffentliche Belege
- Work verbindet Engineering-Aussagen mit Artikeln, Quellcode, Ergebnissen und Grenzen.
- Labs sammelt reproduzierbare Artefakte, die lokal ausgeführt werden können.
- Edge of Context enthält die ausführliche Engineering-Dokumentation, darunter die sechsteilige Reihe Engineering the Agentic Stack.
Forschung und Vorträge
Ich habe einen Kandidat der technischen Wissenschaften (russischer Doktorgrad, PhD-Äquivalent) der Southern Federal University für Forschung zur AI-Diagnostik sowie peer-reviewte Publikationen und Patente. Außerdem absolvierte ich mit einem DAAD-Lomonosov-Stipendium ein Forschungssemester im Rahmen meiner Promotion in Mechatronik an der TU Ilmenau.
Beim World Agentic AI Summit Berlin 2026 hielt ich den Vortrag „Engineering the Agentic Stack“: eine Production-Architektur für Cognitive Engine, Memory, Tools, Security und die umgebende Runtime.
Engineering-Prinzipien
- Verhalten beobachtbar machen, bevor es autonom wird.
- Umgebungszustand und Ergebnisse gegenüber plausiblen Endantworten bevorzugen.
- Jede zusätzliche Harness-Komponente muss ihren Aufwand durch Ablation rechtfertigen.
- Evaluatoren, Security-Policy und Freigabeautorität unabhängig vom Optimizer halten.
- Fehlgeschlagene Experimente als Evidenz bewahren.
- Die kostengünstigste Reparaturebene verwenden, die den tatsächlichen Fehler behebt.
Fähigkeiten
| Systemfähigkeit | Arbeitsfelder |
|---|---|
| Agentensysteme | Reasoning-Loops, Memory, Tool-Schnittstellen, Runtimes, Harnesses, Observability |
| Evaluation und Absicherung | Trace-basierte Evaluation, Regression-Suites, Guardrails, Berechtigungen, Security-Gates |
| Retrieval und Kontext | semantisches und hybrides Retrieval, Reranking, Grounding, Kontextkompression |
| Model Engineering | Fine-Tuning, LoRA/QLoRA, Serving, Quantisierung, strukturierte Generierung |
| Produktive Infrastruktur | AWS, GCP, Kubernetes, Batch-, Streaming- und Real-Time-ML-Systeme |
Anderswo
Der berufliche Hintergrund ist auf LinkedIn zu finden. Quellcode und reproduzierbare Artefakte stehen auf GitHub. Neue Essays erscheinen außerdem auf Substack.
* Kandidat der technischen Wissenschaften (russischer Doktorgrad, PhD-Äquivalent), verliehen von der Southern Federal University, Rostow am Don, 2015.