Je suis Slava Dubrov — officiellement, Dr Viacheslav Dubrov* — Staff AI Systems Engineer, et je travaille à l’intersection des systèmes d’agents, de l’évaluation, de la sécurité de l’AI, de la recherche d’information et de l’infrastructure de production. Depuis 2011, mon travail porte sur l’apprentissage automatique : d’abord la recherche en diagnostic d’équipements électriques de puissance, puis, dans l’industrie, la prévision, la recommandation, la détection de fraude, le retrieval et les agents AI.
Je prends généralement en charge tout le parcours : convenir avec les personnes qui utiliseront un système de ce qu’il doit faire, puis le construire, l’évaluer, le livrer et l’exploiter. Je suis actuellement Staff Machine Learning Engineer chez octonomy AI, où je travaille sur des systèmes d’AI et des systèmes logiciels destinés à la production. Auparavant, chez HubSpot, j’ai dirigé les travaux sur le Context Layer pour l’infrastructure de retrieval, de grounding et de mémoire, puis j’ai travaillé sur l’Agent Execution, notamment le déploiement de LLM, le fine-tuning, l’évaluation, la safety et le runtime. Le fil conducteur est ce qui se passe lorsqu’une sortie de modèle prometteuse rencontre un système réel.
Je travaille sur la question de la confiance dans les systèmes d’AI depuis avant les assistants LLM. Chez OLX, j’ai conçu et animé un cours interne sur l’AI explicable ; chez Wayfair et HubSpot, j’ai animé des ateliers sur l’AI de confiance (Trustworthy AI), consacrés à l’explicabilité, à l’équité et à la robustesse. Les agents soulèvent les mêmes questions, avec des enjeux plus élevés : ce qu’un système a le droit de faire, comment on peut l’attaquer, et si une évaluation montre vraiment ce qu’elle prétend montrer. J’écris sur la sécurité des agents et sur l’évaluation des agents, et chez octonomy AI, j’ai commencé à faire du red-teaming de nos agents pour y repérer des failles de sécurité.
Ma série Recursive Harness Engineering explore la construction d’un harness, l’évaluation indépendante des modifications et l’automatisation de la recherche d’améliorations. Les premiers chapitres posent les bases avant d’aborder la récursion. Une petite expérience sur un outil de mémoire montre comment un agent dont le modèle et les instructions restent fixes utilise les résultats des tests pour choisir sa prochaine modification ; les expériences suivantes étudieront si l’expérience accumulée aide sur de nouvelles tâches. Les personnes définissent les objectifs, les modifications autorisées, les budgets et les critères d’adoption d’un résultat. Les évaluateurs et les personnes qui décident d’adopter une modification restent indépendants de l’optimiseur.
Carrière
Mon travail a évolué de la recherche en diagnostic vers le ranking, la détection de fraude, l’infrastructure de retrieval et les agents en production.
2026–aujourd’hui
octonomy AI
Staff Machine Learning Engineer
Systèmes d’AI en production dans une startup d’agentic AI.
2024–2026
HubSpot
Senior Software Engineer II, puis Tech Lead ML II
Embeddings et prévision pour AI Signals, l’Embedding Hub et le Context Layer pour les agents AI, puis l’Agent Execution.
2021–2024
Wayfair
Senior Machine Learning Scientist
Détection de fraude et d’arnaques sur GCP. J’ai conçu et dirigé des systèmes associés à environ $4M d’économies annuelles.
2018–2021
OLX Group (Prosus)
Data Scientist
Ranking de recommandations et de recherche à l’échelle d’une marketplace.
2017–2018
Zalando
Research Engineer
Prévision de la demande pour la logistique, avec des pipelines Spark sur AWS.
2015–2017
Moscou et Berlin
Apprentissage automatique pour la surveillance de la sécurité des réseaux, analyse de la clientèle pour un opérateur national de télécommunications et NLP pour la priorisation des e-mails dans une startup SaaS de Berlin.
2011–2015
Platov South-Russian State Polytechnic University
Recherche doctorale sur le diagnostic d’équipements haute tension par apprentissage automatique.
Du problème à la production
- Recommandations chez OLX, 2019–2020. J’ai dirigé le passage d’un système de recommandation item2vec de la recherche appliquée à la production, en commençant par OLX Pologne.
- Détection de fraude chez Wayfair, 2021–2024. Douze jours après mon arrivée, j’avais une preuve de concept et une merge request de production en cours. J’ai ensuite pris en charge l’un des modèles de fraude en production de l’équipe, y compris son refactoring et sa feuille de route, et construit des embeddings de session auto-supervisés, déployés via Vertex AI Pipelines aux côtés des modèles existants.
- Embedding Hub chez HubSpot, 2024–2026. J’ai développé l’Embedding Hub, un service vectoriel partagé sur Qdrant, et je l’ai coordonné entre trois équipes via une RFC. Il constituait le cœur du Context Layer que j’ai dirigé pour les agents AI de HubSpot.
Éléments publics
- Lors du World Agentic AI Summit Berlin 2026, j’ai présenté « Engineering the Agentic Stack » : une architecture de production couvrant le moteur cognitif, la mémoire, les outils, la sécurité et le runtime qui les entoure.
- Edge of Context constitue l’archive technique détaillée, notamment avec la série en six parties Engineering the Agentic Stack. Je construis et j’exploite moi-même le site, y compris le pipeline qui le traduit en sept langues.
- Recursive Harness Engineering relie la conception de harnesses, l’évaluation et l’amélioration à travers des expériences exécutables sur un outil de mémoire et un assistant de support.
- Labs rassemble des artefacts reproductibles pouvant être exécutés en local.
Principes d’ingénierie
- Décider comment le succès sera mesuré avant de choisir un modèle.
- Rendre le comportement observable avant de le rendre autonome.
- Privilégier l’état de l’environnement et les résultats aux réponses finales plausibles.
- Faire justifier le coût de chaque composant ajouté au harness par une ablation.
- Maintenir les évaluateurs, la politique de sécurité et l’autorité de promotion indépendants de l’optimiseur.
- Conserver les expériences ayant échoué comme éléments probants.
- Utiliser la couche de réparation la moins coûteuse qui résout le véritable échec.
Recherche, enseignement et certifications
Je suis titulaire d’un diplôme de Kandidat of Technical Sciences (diplôme doctoral russe, équivalent d’un PhD) de la Southern Federal University. Ma thèse a mis au point une méthode en deux étapes pour identifier l’état des disjoncteurs haute tension : d’abord des règles floues et statistiques, puis des réseaux de neurones réglés par un algorithme génétique. Avant cela, j’ai obtenu un diplôme d’ingénieur avec distinction en technologies de l’information et de la mesure.
- Bourses et subventions : deux bourses DAAD Leonhard Euler pour des séjours de recherche à la TU Braunschweig (2011) et à la TU Dortmund (2013), une bourse DAAD Lomonosov de six mois en mécatronique à la TU Ilmenau (2013–2014), la bourse du président de la Russie pour les jeunes scientifiques (2013–2014) et une subvention UMNIK pour l’innovation des jeunes en tant que responsable de projet.
- Publications : 25 publications de recherche, un brevet sur le diagnostic d’appareillage électrique de commutation et un benchmark de méthodes de recommandation d’emplois coécrit, testé en ligne sur OLX Jobs.
- Enseignement et mentorat : un cours sur Spark et Spark MLlib à la Higher School of Economics de Moscou (2016), deux cours internes chez OLX, l’un sur l’apprentissage automatique et l’autre sur l’AI explicable, ainsi que des ateliers sur l’apprentissage profond et l’AI de confiance chez Wayfair et HubSpot. J’accompagne des ingénieurs depuis Zalando, dont des collègues qui sont passés à des postes d’ingénieur ML et AI.
- Certifications obtenues : AWS Certified Machine Learning – Specialty (2020) et AWS Certified Solutions Architect – Associate (2019) ; nanodegrees Udacity en apprentissage automatique, AI, apprentissage par renforcement profond, AI pour le trading et vision par ordinateur (2017–2021).
Compétences
| Capacité | Domaines d’intervention |
|---|---|
| Systèmes d’agents | reasoning loops, mémoire, interfaces d’outils, runtimes, harnesses, observabilité |
| Évaluation et assurance | évaluation fondée sur les traces, suites de régression, red-teaming, guardrails, permissions, explicabilité, robustesse |
| Retrieval et contexte | retrieval sémantique et hybride, reranking, grounding, compression du contexte |
| Model engineering | fine-tuning, LoRA/QLoRA, serving, quantification, génération structurée |
| Apprentissage automatique appliqué | recommandation, ranking de recherche, détection de fraude, prévision, embeddings auto-supervisés, réseaux de neurones sur graphes |
| Livraison produit | spécifications avec les utilisateurs, tests A/B, déploiements progressifs, feuilles de route des modèles |
| Infrastructure de production | AWS, GCP, Kubernetes, Spark, batch, streaming et systèmes ML en temps réel |
Ailleurs
Mon parcours professionnel est disponible sur LinkedIn. Le code source et les artefacts reproductibles sont disponibles sur GitHub. Mes nouveaux essais paraissent également sur Substack.
* Kandidat of Technical Sciences (diplôme doctoral russe, équivalent d’un PhD), décerné par la Southern Federal University, Rostov-sur-le-Don, en 2015.