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 System Engineer, e trabalho em engenharia de software, sistemas de agentes, 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 no deployment de LLM, fine-tuning, avaliação, segurança e runtime. O fio condutor é o que acontece quando um resultado promissor de um modelo encontra um sistema real.
O trabalho que sustenta este ponto de vista
O meu trabalho evoluiu dos sistemas de ranking e fraude para a infraestrutura de retrieval e os agentes em produção.
Experiência selecionada
- HubSpot — Context Layer e Agent Execution. Assumi a arquitetura e a liderança técnica de nível Staff em retrieval, grounding, memória, deployment de LLM, fine-tuning, avaliação, segurança e runtime.
- Wayfair — deteção de fraude e scams, e embeddings. Construí e liderei sistemas associados a cerca de 4 milhões de dólares em poupanças anuais.
- OLX — recomendação e ranking de pesquisa. Trabalhei em sistemas de ranking e recomendação à escala de um marketplace.
Evidências públicas
- Trabalho relaciona as afirmações de engenharia com artigos, código-fonte, resultados e limitações.
- Laboratórios reúne artefactos reproduzíveis que podem ser executados localmente.
- Edge of Context contém o registo detalhado de engenharia, incluindo a série em seis partes Engineering the Agentic Stack.
Investigação e palestras
Tenho o grau de Kandidat of Technical Sciences (grau de doutoramento russo, equivalente a PhD) pela Southern Federal University pela minha investigação em diagnóstico com AI, além de artigos peer-reviewed e patentes. Também passei um semestre de investigação doutoral em Mecatrónica na TU Ilmenau com uma bolsa DAAD Lomonosov.
No World Agentic AI Summit Berlin 2026, apresentei “Engineering the Agentic Stack”: uma arquitetura de produção que abrange o motor cognitivo, memória, ferramentas, segurança e o runtime que os envolve.
Princípios de engenharia
- Tornar o comportamento observável antes de o tornar autónomo.
- Preferir o estado do ambiente e os resultados a respostas finais plausíveis.
- Fazer com que cada componente adicionado ao harness justifique o seu custo através de ablação.
- Manter os avaliadores, a política de segurança e a autoridade de promoção independentes do otimizador.
- Preservar experiências falhadas como evidência.
- Utilizar a camada de reparação menos dispendiosa que resolva a falha real.
Capacidades
| Capacidade do sistema | Áreas de trabalho |
|---|---|
| Sistemas de agentes | ciclos de raciocínio, memória, interfaces de ferramentas, runtimes, harnesses, observabilidade |
| Avaliação e garantia | avaliação baseada em traces, suites de regressão, guardrails, permissões, controlos de segurança |
| Retrieval e contexto | retrieval semântico e híbrido, reranking, grounding, compressão de contexto |
| Engenharia de modelos | fine-tuning, LoRA/QLoRA, serving, quantização, geração estruturada |
| Infraestrutura de produção | AWS, GCP, Kubernetes e sistemas de ML batch, streaming e em tempo real |
Noutros espaços
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 de doutoramento russo, equivalente a PhD), atribuído pela Southern Federal University, Rostov-on-Don, em 2015.