Speech Data Engineer – Data Sourcing, Vendor Management & Python (M/F/NB)

Etteplan

Województwo pomorskie

On-site

PLN 180,000 - 240,000

Full time

6 days ago
Be an early applicant

A complete application in a minute

Tailored resume and cover letter, ready to send.

Get past ATS filters

Job summary

Etteplan poszukuje Data Engineera ds. danych mowy do budowy end-to-end procesu pozyskiwania danych dla AI klienta. Będziesz wybierać dostawców, ustalać protokoły nagrań, kontrolować jakość i zgodność z GDPR.

Dołączysz do małego zespołu badawczego i będziesz odpowiadać za licencje, provenance i prowadzenie pipeline’u, aby dane były użyteczne w rzeczywistych zastosowaniach.

Qualifications

  • Minimum 4 lata doświadczenia w inżynierii danych lub operacjach danych mowy.
  • Doświadczenie z danymi audio na dużą skalę: formaty, częstotliwości próbkowania, metadane.
  • Znajomość Pythona i samodzielne pisanie skryptów.

Responsibilities

  • Pozyskiwanie danych mowy od zewnętrznych firm i zarządzanie umowami.
  • Projektowanie specyfikacji paneli językowych i weryfikacja dostaw.
  • Zapewnianie zgodności z GDPR i danych biometrycznych.
  • Prowadzenie pipeline’ów ingest i walidacja jakości danych.
  • Współpraca z badaczami AI i zarządzanie licencjami.

Skills

Python
Data pipelines
Data quality
Vendor management
GDPR knowledge
Data provenance

Tools

Data catalog tools
Version control

Job description

Jak wytrenować model, który rozumie szept, mowę bezgłośną i napiętą, skoro standardowe zbiory danych w ogóle tego nie zawierają?

Odpowiedź zaczyna się od danych: od tego, jak dobrze zostały zaprojektowane, pozyskane i sprawdzone. Jakość modeli jest ograniczona jakością korpusu.

W Etteplan szukamy Speech Data Engineera, który przejmie odpowiedzialność za pozyskiwanie danych głosowych dla technologii AI naszego klienta, od wyboru dostawców i protokołów nagrań, przez kontrolę jakości, po zgodność z GDPR.

Od ponad 40 lat łączymy wiedzę inżynierską z nowoczesnymi technologiami. Tworzymy rozwiązania z obszaru software, embedded systems i zaawansowanej inżynierii, pomagając klientom rozwijać produkty i systemy wykorzystywane w rzeczywistym świecie.

Rola w skrócie

Obszar: pozyskiwanie i kontrola jakości danych głosowych (speech data operations, data engineering)

Kluczowe technologie: Python, pipeline'y audio i metadanych, wersjonowanie zbiorów danych

Główne zagadnienia: zarządzanie dostawcami danych, protokoły nagrań, kontrola jakości, GDPR i dane biometryczne, licencje i pochodzenie danych (provenance), współpraca z badaczami AI

Środowisko: zbiory danych mowy w wielu językach, zewnętrzni dostawcy nagrań, zespół badawczy AI

O projekcie i Twojej roli

Dołączysz do zespołu klienta, który buduje działającą w czasie rzeczywistym, lokalnie na urządzeniu technologię audio AI. Przekształca ona szept, mowę bezgłośną i napiętą w czysty, naturalny głos, bez udziału chmury i z opóźnieniem pozwalającym na rozmowę. Technologia jest licencjonowana producentom sprzętu.

Modele klienta wymagają mowy, której standardowe zbiory danych nie obejmują. Istniejące korpusy to głównie mowa czytana i dźwięczna, nagrywana w cichych pomieszczeniach przez osoby mówiące normalnie, a produkty klienta działają na mowie szeptanej, bezgłośnej i napiętej, w warunkach rzeczywistych. Dane te pozyskiwane są przez wyspecjalizowanych partnerów w wielu językach, a Ty odpowiadasz za to, jak dobrze są zaprojektowane, pozyskane i sprawdzone.

To rola data engineera, której środek ciężkości leży w operacjach pozyskiwania danych: mniej więcej dwie trzecie operacji i jedna trzecia inżynierii. Wybierasz dostawców i zarządzasz nimi, piszesz protokoły, według których pracują, kontrolujesz jakość dostaw i prowadzisz pipeline, który sprawia, że wynik jest użyteczny. Jeśli szukasz roli czysto związanej z systemami rozproszonymi, to nie ta. Jeśli chcesz odpowiadać za zbiór danych od początku do końca i zobaczyć, jak zmienia wyniki modeli, to właśnie ta.

Dlaczego warto?
  • Pracujesz nad problemem, którego nikt jeszcze nie rozwiązał. Nie istnieje gotowy podręcznik pozyskiwania mowy bezgłośnej w dobrej jakości i na dużą skalę, a Ty pomagasz go napisać.
  • Odpowiadasz za zbiór danych od początku do końca. Widzisz, jak Twoja specyfikacja, kontrola jakości i decyzje o licencjach przekładają się na wyniki modeli.
  • Masz krótką drogę od swojej pracy do gotowego produktu. SDK klienta trafia do urządzeń konsumenckich, a korpus decyduje o tym, jak dobrze brzmi wynik.
  • Pracujesz w małym zespole, przy jednym stole z badaczami i dyrektorem produktu (CPO). Osoba odpowiedzialna za dane ma bezpośredni wpływ na decyzje.
W tej roli będziesz odpowiadać za:
  • Pozyskiwanie zbiorów danych mowy od zewnętrznych firm zajmujących się zbieraniem danych: wybór dostawców, umowy zakresowe (SOW), standardy akceptacji, harmonogramy dostaw i budżety.
  • Ustalanie specyfikacji paneli tak, aby każdy język był zrównoważony pod względem wieku, płci, akcentu i typu głosu, oraz sprawdzanie dostaw względem tych specyfikacji.
  • Dbanie o to, aby dostawcy uczciwie płacili uczestnikom i jasno ich informowali.
  • Pisanie protokołów nagrań dla każdego języka, według których działają dostawcy: zestawy tekstów, długość sesji i instrukcje dla mówców.
  • Definiowanie macierzy przechwytywania (urządzenia, typy mikrofonów, odległość i warunki hałasu), tak aby korpus odzwierciedlał rzeczywiste użycie.
  • Szacowanie skali każdej kolekcji: liczba mówców (w tym akcenty i emocje), godziny, zrównoważenie i koszt.
  • Budowę i prowadzenie ścieżki przyjmowania danych (ingest) z automatyczną walidacją częstotliwości próbkowania, kanałów, przesterowań, głośności, stosunku sygnału do szumu, aktywności głosowej i wyrównania.
  • Utrzymywanie schematu metadanych dla wielu języków, dostawców i sprzętu nagraniowego.
  • Wersjonowanie zbiorów danych, pisanie notatek o wydaniach i zapewnianie powtarzalnych podziałów bez wycieku mówców między zbiorami.
  • Ustalanie kryteriów akceptacji dla każdej partii i egzekwowanie ich, w tym wymuszanie poprawek, gdy partia ich nie spełnia.
  • Prowadzenie eksperckich sesji odsłuchowych w zakresie, którego automatyka nie oceni, oraz monitorowanie dryfu między partiami, dostawcami i lokalizacjami.
  • Dbanie o powtarzalność procesu tak, aby dodanie nowego języka było kwestią konfiguracji, a nie osobnym projektem.
  • Zarządzanie modelem zgód: jawnym, celowym, udokumentowanym i możliwym do wycofania (nagrania głosu to dane biometryczne w rozumieniu GDPR).
  • Zabezpieczanie licencji obejmujących wszystkie planowane zastosowania komercyjne i prowadzenie dokumentacji praw, którą da się prześledzić do każdej umowy.
  • Prowadzenie rejestru pochodzenia (provenance) dla każdej próbki: kto, kiedy, na jakiej zgodzie i licencji oraz do jakich celów można jej użyć.
  • Odpowiadanie za przechowywanie, usuwanie i wymazywanie danych w praktyce, w tym za to, co wycofanie zgody oznacza dla modelu, który został już wytrenowany.
  • Udział w ocenie skutków dla ochrony danych (DPIA) oraz współpracę z doradcami regulacyjnymi nad warunkami kolekcji i unijnym aktem o sztucznej inteligencji (EU AI Act).
  • Przekładanie potrzeb modeli na specyfikacje kolekcji, zamykanie pętli od każdego wydania zbioru do wyników ewaluacji modeli oraz wczesne informowanie zespołu badawczego, czego dane nie są w stanie wesprzeć.
Szukamy osoby, która:
  • Ma co najmniej 4 lata doświadczenia w inżynierii danych, operacjach na danych mowy lub zarządzaniu korpusami, w tym przynajmniej jeden program kolekcji prowadzony samodzielnie od początku do końca.
  • Ma praktyczne doświadczenie z danymi audio na dużą skalę: formaty, częstotliwości próbkowania, głośność, wyrównanie i metadane.
  • Swobodnie programuje w Pythonie i sama pisze skrypt zamiast zgłaszać zadanie innym.
  • Ma udokumentowane doświadczenie w zarządzaniu dostawcami: pozyskiwanie i kontraktowanie partnerów zbierających dane, umowy zakresowe, budżety, kryteria akceptacji oraz trudna rozmowa, gdy partia nie spełnia wymagań.
  • Zna GDPR w zakresie danych biometrycznych i głosowych oraz swobodnie porusza się w licencjonowaniu danych i prawach do nich.
  • Potrafi odmówić drogi na skróty, która zagraża możliwości licencjonowania korpusu.
  • Potrafi koordynować pracę w różnych kulturach: będzie nadzorować kolekcje w jękach, których nie zna, przez dostawców i lokalnych koordynatorów, nie tracąc odpowiedzialności za jakość.
  • Pisze tak, żeby inni mogli według tego pracować: protokoły, kryteria akceptacji i notatki w wydaniach to główne wytwory tej pracy.
  • Jest gotowa na okazjonalne podróże do dostawców.
Docenimy również:
  • Wykształcenie lub doświadczenie z fonetyki lub lingwistyki, w tym praca z szeroką gamą rodzin językowych.
  • Doświadczenie z uznanymi korpusami mowy lub platformami zbierania danych metodą crowdsourcingu.
  • Doświadczenie w ewaluacji modeli mowy, takiej jak WER, MOS, MUSHRA i podobieństwo mówcy.
  • Doświadczenie z przechwytywaniem dźwięku na urządzeniach lub w niestandardowych konfiguracjach.
  • Dodatkowe języki: niderlandzki, mandaryński lub japoński.

Nasza firma wdrożyła procedury ochrony sygnalistów zgodnie z obowiązującą ustawą. Każda osoba ma prawo zgłaszać nieprawidłowości w bezpieczny sposób, a zgłoszenia są objęte pełną ochroną prawną. Więcej informacji: https://www.etteplan.com/pl/kodeks-postepowania/

Get your free, confidential resume review.

or drag and drop your file here.

Similar jobs

Similar jobs worth comparing

Embedded QA Engineer – Android, Python & HIL (M/F/NB)
Embedded QA Engineer – Android, Python & HIL (M/F/NB)

Etteplan • Wrocław

On-site
PLN 90,000 - 120,000
Senior Windows Audio Engineer – APO, Audio Drivers & WASAPI (M/F/NB)
Senior Windows Audio Engineer – APO, Audio Drivers & WASAPI (M/F/NB)

Etteplan • Wrocław

On-site
PLN 240,000 - 360,000
Embedded QA Engineer – Audio Quality, Android (M/F/NB)
Embedded QA Engineer – Audio Quality, Android (M/F/NB)

Etteplan • Polska

Hybrid
PLN 140,000 - 190,000
Embedded QA Engineer – Audio Quality, Android (M/F/NB)
Embedded QA Engineer – Audio Quality, Android (M/F/NB)

Etteplan • Województwo pomorskie

On-site
PLN 120,000 - 180,000
Senior Android Platform Engineer | AOSP & Audio HAL (M/F/NB)
Senior Android Platform Engineer | AOSP & Audio HAL (M/F/NB)

Etteplan • Gdańsk

On-site
PLN 180,000 - 260,000
Senior Speech & Voice Biometrics Engineer
Senior Speech & Voice Biometrics Engineer

Scalo • Warszawa

Remote
PLN 193,000 - 275,000
Opieka medyczna
Karta sportowa
Platforma kafeteryjna
Senior Android Platform Engineer | AOSP & Audio HAL (M/F/NB)
Senior Android Platform Engineer | AOSP & Audio HAL (M/F/NB)

Etteplan • Katowice

On-site
PLN 180,000 - 300,000
Podróże służbowe 30%
Senior DevOps Engineer – Kubernetes, Terraform & Cloud (M/F/NB)
Senior DevOps Engineer – Kubernetes, Terraform & Cloud (M/F/NB)

Etteplan • Województwo pomorskie

On-site
PLN 250,000 - 380,000
Senior Speech & Voice Biometrics Engineer
Senior Speech & Voice Biometrics Engineer

Scalo • Województwo mazowieckie

Remote
PLN 193,000 - 275,000
Senior Data Engineer – Speech Data Sourcing
Senior Data Engineer – Speech Data Sourcing

CSHARK Sp. z o.o. • Wrocław, Bielsko-Biała

Remote
PLN 165,000 - 262,000
Top locations