Sou Slava Dubrov — formalmente, Dr. Viacheslav Dubrov* — Staff AI Systems Engineer, com trabalho transversal em sistemas agentic, avaliação, segurança de AI, retrieval e infraestrutura de produção. Trabalho com aprendizagem automática desde 2011: primeiro em investigação sobre diagnóstico de equipamento elétrico de potência, depois, na indústria, em previsão, recomendações, deteção de fraude, retrieval e agentes de AI.
Costumo ser responsável por todo o percurso: chegar a acordo com as pessoas que vão usar um sistema sobre o que ele deve fazer e depois construí-lo, avaliá-lo, lançá-lo e operá-lo. Atualmente, sou Staff Machine Learning Engineer na octonomy AI, a trabalhar em sistemas de AI e de software em 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.
Ocupo-me da questão de saber se podemos confiar em sistemas de AI desde antes dos assistentes baseados em LLM. Na OLX, criei e dei um curso interno sobre AI explicável e, na Wayfair e na HubSpot, dinamizei workshops de Trustworthy AI sobre explicabilidade, equidade e robustez. Os agentes levantam as mesmas questões, mas com riscos mais elevados: o que um sistema está autorizado a fazer, como pode ser atacado e se uma avaliação mostra aquilo que afirma. Escrevo sobre segurança de agentes e avaliação de agentes e, na octonomy AI, comecei a fazer red-teaming dos nossos agentes para detetar vulnerabilidades de segurança.
A minha série Recursive Harness Engineering explora a construção de um harness, a avaliação independente de alterações e a automatização da procura de melhorias. Os primeiros capítulos estabelecem os fundamentos antes de abordar a recursão. Uma pequena experiência com uma ferramenta de memória mostra como um agente proponente fixo usa os resultados dos testes para escolher a próxima alteração; as experiências seguintes investigarão se a experiência acumulada ajuda em tarefas novas. As pessoas definem os objetivos, as alterações permitidas, os orçamentos e os critérios para adotar um resultado. Os avaliadores e a autoridade para adotar alterações permanecem independentes do otimizador.
Carreira
O meu trabalho evoluiu da investigação em diagnóstico para ranking, deteção de fraude, infraestrutura de retrieval e agentes de produção.
2026–presente
octonomy AI
Staff Machine Learning Engineer
Sistemas de AI em produção numa startup de agentic AI.
2024–2026
HubSpot
Senior Software Engineer II, depois Tech Lead ML II
Embeddings e previsão para AI Signals, o Embedding Hub e a Context Layer para agentes de AI, e depois Agent Execution.
2021–2024
Wayfair
Senior Machine Learning Scientist
Deteção de fraude e de burlas na GCP. Construí e liderei sistemas associados a cerca de $4M em poupanças anuais.
2018–2021
OLX Group (Prosus)
Data Scientist
Recomendação e ranking de pesquisa à escala de um marketplace.
2017–2018
Zalando
Research Engineer
Previsão da procura para a logística, com pipelines de Spark na AWS.
2015–2017
Moscovo e Berlim
Aprendizagem automática para monitorização da segurança de redes, análise de clientes para um operador nacional de telecomunicações e NLP para priorização de e-mails numa startup SaaS de Berlim.
2011–2015
Platov South-Russian State Polytechnic University
Investigação doutoral em diagnóstico de equipamento de alta tensão com aprendizagem automática.
Do problema à produção
- Recomendações na OLX, 2019–2020. Liderei um sistema de recomendação item2vec desde a investigação aplicada até à produção, a começar pela OLX Polónia.
- Deteção de fraude na Wayfair, 2021–2024. Doze dias depois de entrar, tinha uma prova de conceito e um merge request de produção em curso. Depois, fiquei responsável por um dos modelos de fraude em produção da equipa, incluindo o respetivo refactoring e roadmap, e construí embeddings de sessão autossupervisionados, colocados em produção através do Vertex AI Pipelines ao lado dos modelos existentes.
- Embedding Hub na HubSpot, 2024–2026. Construí o Embedding Hub, um serviço de vetores partilhado assente em Qdrant, e coordenei-o entre três equipas através de um RFC. Foi o núcleo da Context Layer que liderei para os agentes de AI da HubSpot.
Evidência pública
- 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.
- Edge of Context reúne o registo de engenharia em formato longo, incluindo a série de seis partes Engineering the Agentic Stack. Eu próprio construo e opero o site, incluindo o pipeline que o traduz para sete idiomas.
- Recursive Harness Engineering liga o desenho de harnesses, a avaliação e a melhoria através de experiências executáveis com uma ferramenta de memória e um assistente de suporte.
- Labs reúne artefactos reproduzíveis que podem ser executados localmente.
Princípios de engenharia
- Decida como o sucesso será medido antes de escolher um modelo.
- 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 ablação.
- Mantenha os avaliadores, a política de segurança e a autoridade de promoção independentes do otimizador.
- Preserve as experiências falhadas como evidência.
- Utilize a camada de reparação mais barata que resolva a falha real.
Investigação, ensino e certificações
Tenho um grau de Kandidat of Technical Sciences (grau doutoral russo, equivalente a um PhD) atribuído pela Southern Federal University. A minha tese desenvolveu um método em duas fases para identificar o estado de disjuntores de alta tensão: primeiro regras difusas e estatísticas, depois redes neuronais ajustadas por um algoritmo genético. Antes disso, obtive um diploma de engenharia com distinção em tecnologia de informação e medição.
- Bolsas e financiamentos: duas bolsas DAAD Leonhard Euler para estadias de investigação na TU Braunschweig (2011) e na TU Dortmund (2013), uma bolsa DAAD Lomonosov de seis meses em mecatrónica na TU Ilmenau (2013–2014), a bolsa do Presidente da Rússia para jovens cientistas (2013–2014) e um financiamento UMNIK de inovação para jovens, como líder de projeto.
- Publicações: 25 publicações científicas, uma patente sobre o diagnóstico de equipamento elétrico de comutação e um benchmark de métodos de recomendação de emprego, em coautoria, testado online na OLX Jobs.
- Ensino e mentoria: um curso de Spark e Spark MLlib na Higher School of Economics, em Moscovo (2016), dois cursos internos na OLX, sobre aprendizagem automática e sobre AI explicável, e workshops sobre aprendizagem profunda e AI de confiança na Wayfair e na HubSpot. Faço mentoria a engenheiros desde a Zalando, incluindo colegas que passaram para funções de engenharia de ML e de AI.
- Certificações obtidas: AWS Certified Machine Learning – Specialty (2020) e AWS Certified Solutions Architect – Associate (2019); nanodegrees da Udacity em aprendizagem automática, AI, aprendizagem profunda por reforço, AI para trading e visão computacional (2017–2021).
Capacidades
| Capacidade | Áreas de trabalho |
|---|---|
| Sistemas agentic | reasoning loops, memória, interfaces de ferramentas, runtimes, harnesses, observabilidade |
| Avaliação e assurance | avaliação baseada em traces, suites de regressão, red-teaming, guardrails, permissões, explicabilidade, robustez |
| Retrieval e contexto | retrieval semântico e híbrido, reranking, grounding, compressão de contexto |
| Engenharia de modelos | fine-tuning, LoRA/QLoRA, serving, quantização, geração estruturada |
| Aprendizagem automática aplicada | recomendações, ranking de pesquisa, deteção de fraude, previsão, embeddings autossupervisionados, redes neuronais de grafos |
| Entrega de produto | especificações com utilizadores, testes A/B, lançamentos faseados, roadmaps de modelos |
| Infraestrutura de produção | AWS, GCP, Kubernetes, Spark, processamento batch, streaming e sistemas de ML em tempo real |
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.