Soy Slava Dubrov —formalmente, Dr. Viacheslav Dubrov*—, Staff AI Systems Engineer que trabaja en sistemas de agentes, evaluación, seguridad de AI, retrieval e infraestructura de producción. Trabajo en aprendizaje automático desde 2011: primero en investigación sobre diagnóstico de equipos eléctricos de potencia y, después, en la industria, con forecasting, recomendaciones, detección de fraude, retrieval y agentes de AI.
Suelo ser responsable de todo el recorrido: acordar con quienes usarán un sistema qué debe hacer y, después, construirlo, evaluarlo, lanzarlo y operarlo. Actualmente soy Staff Machine Learning Engineer en octonomy AI y trabajo 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.
Trabajo en la fiabilidad de los sistemas de AI desde antes de los asistentes con LLM. En OLX diseñé e impartí un curso interno sobre AI explicable y, en Wayfair y HubSpot, dirigí talleres de AI fiable sobre explicabilidad, equidad y robustez. Los agentes plantean las mismas preguntas con mucho más en juego: qué se le permite hacer a un sistema, cómo se le puede atacar y si una evaluación demuestra lo que afirma. Escribo sobre seguridad de agentes y evaluación de agentes y, en octonomy AI, he empezado a hacer red-teaming de nuestros agentes para encontrar debilidades de seguridad.
Mi serie Recursive Harness Engineering explora cómo construir un harness, evaluar cambios de forma independiente y automatizar la búsqueda de mejoras. Los primeros capítulos establecen los fundamentos antes de abordar la recursión. Un pequeño experimento con una herramienta de memoria muestra cómo un agente proponente fijo usa los resultados de las pruebas para elegir su siguiente cambio; los experimentos posteriores investigarán si la experiencia acumulada ayuda con tareas nuevas. Las personas definen los objetivos, los cambios permitidos, los presupuestos y los criterios para adoptar un resultado. Los evaluadores y la autoridad para adoptar cambios se mantienen independientes del optimizador.
Trayectoria profesional
Mi trabajo ha evolucionado desde la investigación en diagnóstico hasta los sistemas de ranking, la detección de fraude, la infraestructura de retrieval y los agentes en producción.
2026–actualidad
octonomy AI
Staff Machine Learning Engineer
Sistemas de AI en producción en una startup de agentic AI.
2024–2026
HubSpot
Senior Software Engineer II, luego Tech Lead ML II
Embeddings y forecasting para AI Signals; el Embedding Hub y el Context Layer para agentes de AI; después, Agent Execution.
2021–2024
Wayfair
Senior Machine Learning Scientist
Detección de fraude y estafas en GCP. Desarrollé y lideré sistemas asociados a unos $4M de ahorro anual.
2018–2021
OLX Group (Prosus)
Data Scientist
Recomendaciones y ranking de búsqueda a escala de marketplace.
2017–2018
Zalando
Research Engineer
Forecasting de demanda para logística, con pipelines de Spark en AWS.
2015–2017
Moscú y Berlín
Aprendizaje automático para la monitorización de la seguridad de redes, analítica de clientes para un operador nacional de telecomunicaciones y NLP para la priorización del correo electrónico en una startup SaaS de Berlín.
2011–2015
Platov South-Russian State Polytechnic University
Investigación doctoral sobre diagnóstico de equipos de alta tensión mediante aprendizaje automático.
Del problema a producción
- Recomendaciones en OLX, 2019–2020. Lideré un sistema de recomendación item2vec desde la investigación aplicada hasta producción, empezando por OLX Poland.
- Detección de fraude en Wayfair, 2021–2024. Doce días después de incorporarme, tenía en curso una prueba de concepto y una merge request de producción. Después me hice cargo de uno de los modelos de fraude en producción del equipo, incluidas su refactorización y su hoja de ruta, y desarrollé embeddings de sesión autosupervisados, desplegados mediante Vertex AI Pipelines junto a los modelos existentes.
- Embedding Hub en HubSpot, 2024–2026. Construí el Embedding Hub, un servicio vectorial compartido sobre Qdrant, y lo coordiné entre tres equipos mediante un RFC. Fue el núcleo del Context Layer que lideré para los agentes de AI de HubSpot.
Evidencia pública
- 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.
- Edge of Context contiene el registro de ingeniería de formato largo, incluida la serie de seis partes Engineering the Agentic Stack. Yo mismo construyo y mantengo el sitio, incluido el pipeline que lo traduce a siete idiomas.
- Recursive Harness Engineering conecta el diseño de harnesses, la evaluación y la mejora mediante experimentos ejecutables con una herramienta de memoria y un asistente de soporte.
- Labs recopila artefactos reproducibles que pueden ejecutarse localmente.
Principios de ingeniería
- Decide cómo se medirá el éxito antes de elegir un modelo.
- 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 ablación.
- 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.
Investigación, docencia y certificaciones
Tengo el título de Kandidat of Technical Sciences (título doctoral ruso, equivalente a un PhD) por la Universidad Federal del Sur. Mi tesis desarrolló un método en dos etapas para identificar el estado de interruptores automáticos de alta tensión: primero reglas difusas y estadísticas y, después, redes neuronales ajustadas mediante un algoritmo genético. Antes obtuve, con honores, un título de ingeniería en tecnología de la información y de la medición.
- Becas y subvenciones: dos becas DAAD Leonhard Euler para estancias de investigación en la TU Braunschweig (2011) y en la TU Dortmund (2013), una beca DAAD Lomonosov de seis meses en mecatrónica en la TU Ilmenau (2013–2014), la beca del presidente de Rusia para jóvenes científicos (2013–2014) y una subvención UMNIK de innovación juvenil, como líder del proyecto.
- Publicaciones: 25 publicaciones científicas, una patente sobre el diagnóstico de equipos eléctricos de conmutación y un benchmark de métodos de recomendación de empleo elaborado en coautoría y probado online en OLX Jobs.
- Docencia y mentoría: un curso de Spark y Spark MLlib en la Escuela Superior de Economía de Moscú (2016), dos cursos internos en OLX, uno sobre aprendizaje automático y otro sobre AI explicable, y talleres sobre deep learning y AI fiable en Wayfair y HubSpot. He sido mentor de ingenieros desde Zalando, entre ellos compañeros que pasaron a puestos de ingeniería de ML y de AI.
- Certificaciones obtenidas: AWS Certified Machine Learning – Specialty (2020) y AWS Certified Solutions Architect – Associate (2019); nanodegrees de Udacity en aprendizaje automático, AI, aprendizaje por refuerzo profundo, AI para trading y visión artificial (2017–2021).
Capacidades
| Capacidad | Áreas de trabajo |
|---|---|
| Sistemas de agentes | reasoning loops, memoria, interfaces de herramientas, runtimes, harnesses, observabilidad |
| Evaluación y assurance | evaluación basada en trazas, suites de regresión, red-teaming, guardrails, permisos, explicabilidad y robustez |
| Retrieval y contexto | retrieval semántico e híbrido, reranking, grounding y compresión de contexto |
| Ingeniería de modelos | fine-tuning, LoRA/QLoRA, serving, cuantización y generación estructurada |
| Aprendizaje automático aplicado | recomendaciones, ranking de búsqueda, detección de fraude, forecasting, embeddings autosupervisados, redes neuronales de grafos |
| Entrega de producto | especificaciones definidas con los usuarios, pruebas A/B, despliegues por etapas, hojas de ruta de modelos |
| Infraestructura de producción | AWS, GCP, Kubernetes, Spark, procesamiento por lotes, streaming y sistemas de ML en tiempo real |
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 Universidad Federal del Sur, Rostov del Don, 2015.