Sistemas de AI em produção

Sobre Slava Dubrov

Sistemas de AI em produção, avaliação, segurança e os ciclos de evidência que os melhoram.

Sou Slava Dubrov — formalmente, Dr. Viacheslav Dubrov^* — Staff AI Systems Engineer, com trabalho transversal em engenharia de software, sistemas agentic, avaliação, retrieval, segurança e infraestrutura de produção.

Atualmente, trabalho na octonomy AI em sistemas de AI e software para produção. Antes disso, na HubSpot, liderei o trabalho na Context Layer para infraestrutura de retrieval, grounding e memória, e depois trabalhei em Agent Execution nas áreas de deployment de LLM, fine-tuning, avaliação, segurança e runtime. O fio condutor é perceber o que acontece depois de um output promissor de um modelo encontrar um sistema real.

Nos meus textos atuais e no meu trabalho open source, exploro como os agentes podem ajudar a melhorar outros sistemas de AI. Um agente baseado em LLM investiga uma falha, propõe uma alteração dentro de limites definidos e utiliza os resultados dos testes para decidir o que experimentar a seguir. Chamo a isto recursive harness engineering, um harness a melhorar outro; a minha série sobre o tema começou por se chamar Meta-Engineering AI Systems. As pessoas definem os objetivos, as alterações permitidas, o orçamento e os critérios para adotar um resultado. O processo é closed-loop, porque cada resultado informa a experiência seguinte. Isto é melhoria recursiva, não auto-melhoria: o agente nunca edita o seu próprio harness nem as verificações que o avaliam.

O trabalho por detrás desta perspetiva

O meu trabalho evoluiu de sistemas de ranking e fraude para infraestrutura de retrieval e agentes de produção.

Experiência selecionada

• HubSpot — Context Layer e Agent Execution. Fui responsável pela arquitetura e liderança técnica ao nível Staff em retrieval, grounding, memória, deployment de LLM, fine-tuning, avaliação, segurança e runtime.
• Wayfair — fraude, deteção de burlas e embeddings. Construí e liderei sistemas associados a cerca de $4M em poupanças anuais.
• OLX — recomendação e ranking de pesquisa. Trabalhei em sistemas de ranking e recomendação à escala de um marketplace.

Evidência pública

• Labs reúne artefactos reproduzíveis que podem ser executados localmente.
• Recursive Harness Engineering desenvolve o processo de melhoria através de experiências executáveis, começando por um agente que propõe e testa alterações a uma ferramenta de memória.
• Edge of Context reúne o registo de engenharia em formato longo, incluindo a série de seis partes Engineering the Agentic Stack.

Investigação e apresentações

Tenho um grau de Kandidat of Technical Sciences (grau doutoral russo, equivalente a um PhD) atribuído pela Southern Federal University, por investigação em diagnósticos de AI, com artigos revistos por pares e patentes. Passei também um semestre de investigação doutoral em Mecatrónica na TU Ilmenau, ao abrigo de uma bolsa DAAD Lomonosov.

Na World Agentic AI Summit Berlin 2026, apresentei “Engineering the Agentic Stack”: uma arquitetura de produção que abrange o motor cognitivo, a memória, as ferramentas, a segurança e o runtime que os envolve.

Princípios de engenharia

• Torne o comportamento observável antes de o tornar autónomo.
• Dê prioridade ao estado do ambiente e aos resultados, em vez de respostas finais plausíveis.
• Faça com que cada componente adicional do harness justifique o seu custo através de ablation.
• Mantenha os avaliadores, a política de segurança e a autoridade de promoção independentes do optimizer.
• Preserve as experiências falhadas como evidência.
• Utilize a camada de reparação mais barata que resolva a falha real.

Capacidades

Noutros canais

O meu percurso profissional está no LinkedIn. O código-fonte e os artefactos reproduzíveis estão no GitHub. Os novos ensaios também são publicados no Substack.

^* Kandidat of Technical Sciences (grau doutoral russo, equivalente a um PhD), atribuído pela Southern Federal University, Rostov-on-Don, 2015.