Sistemas de AI en producción

Sobre Slava Dubrov

Sistemas de AI en producción, evaluación, seguridad y los ciclos de evidencia que los mejoran.

Soy Slava Dubrov —formalmente, Dr. Viacheslav Dubrov^*—, Staff AI Systems Engineer especializado en software engineering, sistemas de agentes, evaluación, retrieval, seguridad e infraestructura de producción.

Actualmente trabajo en octonomy AI en sistemas de AI y software para producción. Antes, en HubSpot, lideré el trabajo en Context Layer para la infraestructura de retrieval, grounding y memoria; después trabajé en Agent Execution en áreas como el despliegue de LLM, fine-tuning, evaluación, seguridad y runtime. El hilo conductor es lo que ocurre cuando la salida prometedora de un modelo se encuentra con un sistema real.

En mis artículos y en mi trabajo open source actuales exploro cómo los agentes pueden ayudar a mejorar otros sistemas de AI. Un agente basado en un LLM investiga un fallo, propone un cambio dentro de unos límites definidos y utiliza los resultados de las pruebas para decidir qué probar a continuación. Llamo a esto recursive harness engineering, un harness que mejora a otro; mi serie sobre el tema empezó llamándose Meta-Engineering AI Systems. Las personas establecen los objetivos, los cambios permitidos, el presupuesto y los criterios para adoptar un resultado. El proceso es de bucle cerrado porque cada resultado informa el siguiente experimento. Esto es mejora recursiva, no automejora: el agente nunca edita su propio harness ni las comprobaciones que lo evalúan.

El trabajo que sustenta esta perspectiva

Mi trabajo ha evolucionado desde los sistemas de ranking y detección de fraude hasta la infraestructura de retrieval y los agentes de producción.

Experiencia destacada

• HubSpot — Context Layer y Agent Execution. Dirigí la arquitectura y el liderazgo técnico de nivel Staff en retrieval, grounding, memoria, despliegue de LLM, fine-tuning, evaluación, seguridad y runtime.
• Wayfair — fraude, detección de estafas y embeddings. Desarrollé y lideré sistemas asociados a unos $4M de ahorro anual.
• OLX — ranking de recomendaciones y búsquedas. Trabajé en sistemas de ranking y recomendación a escala de marketplace.

Evidencia pública

• Labs recopila artefactos reproducibles que pueden ejecutarse localmente.
• Recursive Harness Engineering desarrolla el proceso de mejora mediante experimentos ejecutables, empezando por un agente que propone y prueba cambios en una herramienta de memoria.
• Edge of Context contiene el registro de ingeniería de formato largo, incluida la serie de seis partes Engineering the Agentic Stack.

Investigación y ponencias

Tengo el título de Kandidat of Technical Sciences (título doctoral ruso, equivalente a un PhD) por la Southern Federal University, por investigaciones en diagnósticos de AI, con artículos revisados por pares y patentes. También realicé un semestre de investigación doctoral en Mechatronics en la TU Ilmenau gracias a una beca DAAD Lomonosov.

En la World Agentic AI Summit Berlin 2026 presenté «Engineering the Agentic Stack»: una arquitectura de producción que cubre el motor cognitivo, la memoria, las herramientas, la seguridad y el runtime que los articula.

Principios de ingeniería

• Haz que el comportamiento sea observable antes de hacerlo autónomo.
• Da prioridad al estado del entorno y a los resultados frente a las respuestas finales plausibles.
• Haz que cada componente adicional del harness justifique su coste mediante ablation.
• Mantén los evaluadores, la política de seguridad y la autoridad de promoción independientes del optimizador.
• Conserva los experimentos fallidos como evidencia.
• Utiliza la capa de reparación más barata que resuelva el fallo real.

Capacidades

En otros sitios

Mi trayectoria profesional está disponible en LinkedIn. El código fuente y los artefactos reproducibles están en GitHub. También publico nuevos ensayos en Substack.

^* Kandidat of Technical Sciences (título doctoral ruso, equivalente a un PhD), otorgado por la Southern Federal University, Rostov del Don, 2015.