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 los 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 meta-engineering de sistemas de AI: diseñar el propio proceso de mejora. 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.

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.
• Meta-Engineering AI Systems 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.