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 System Engineer, y trabajo en ingeniería de software, 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, y después trabajé en Agent Execution en despliegue de LLM, fine-tuning, evaluación, seguridad y runtime. El hilo conductor es lo que ocurre cuando el resultado prometedor de un modelo se encuentra con un sistema real.
El trabajo que sustenta este punto de vista
Mi trabajo ha evolucionado desde los sistemas de ranking y fraude hasta la infraestructura de retrieval y los agentes en producción.
Experiencia seleccionada
- HubSpot — Context Layer y Agent Execution. Asumí la arquitectura y el liderazgo técnico de nivel Staff en retrieval, grounding, memoria, despliegue de LLM, fine-tuning, evaluación, seguridad y runtime.
- Wayfair — detección de fraude y estafas, y embeddings. Construí y lideré sistemas asociados a un ahorro anual de unos 4 millones de dólares.
- OLX — recomendación y ranking de búsqueda. Trabajé en sistemas de ranking y recomendación a escala de marketplace.
Evidencia pública
- Trabajo conecta las afirmaciones de ingeniería con artículos, código fuente, resultados y limitaciones.
- Laboratorios reúne artefactos reproducibles que pueden ejecutarse localmente.
- Edge of Context contiene el registro de ingeniería en profundidad, incluida la serie de seis partes Engineering the Agentic Stack.
Investigación y conferencias
Tengo un título de Kandidat of Technical Sciences (título doctoral ruso, equivalente a un PhD) por la Southern Federal University por mi investigación en diagnóstico mediante AI, además de artículos revisados por pares y patentes. También realicé un semestre de investigación doctoral en Mecatrónica en TU Ilmenau con una beca DAAD Lomonosov.
En el World Agentic AI Summit Berlin 2026 presenté «Engineering the Agentic Stack»: una arquitectura de producción que abarca el motor cognitivo, la memoria, las herramientas, la seguridad y el runtime que las rodea.
Principios de ingeniería
- Hacer observable el comportamiento antes de hacerlo autónomo.
- Preferir el estado del entorno y los resultados a respuestas finales plausibles.
- Hacer que cada componente añadido al harness justifique su coste mediante ablación.
- Mantener los evaluadores, la política de seguridad y la autoridad de promoción independientes del optimizador.
- Conservar los experimentos fallidos como evidencia.
- Utilizar la capa de reparación menos costosa que resuelva el fallo real.
Capacidades
| Capacidad del sistema | Áreas de trabajo |
|---|---|
| Sistemas de agentes | bucles de razonamiento, memoria, interfaces de herramientas, runtimes, harnesses, observabilidad |
| Evaluación y garantías | evaluación basada en trazas, suites de regresión, guardrails, permisos, controles de seguridad |
| Retrieval y contexto | retrieval semántico e híbrido, reranking, grounding, compresión de contexto |
| Ingeniería de modelos | fine-tuning, LoRA/QLoRA, serving, cuantización, generación estructurada |
| Infraestructura de producción | AWS, GCP, Kubernetes y sistemas de ML batch, streaming y en tiempo real |
En otros sitios
Mi trayectoria profesional está en LinkedIn. El código fuente y los artefactos reproducibles están en GitHub. Los nuevos ensayos también aparecen en Substack.
* Kandidat of Technical Sciences (título doctoral ruso, equivalente a un PhD), concedido por la Southern Federal University, Rostov del Don, en 2015.