Speech Data Engineer – Data Sourcing, Vendor Management & Python (M/F/NB)
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 kolek
Findigo hittar jobben och fyller i ansökan. Du klickar Skicka.
Visa jobbet och ansökUrsprunglig annons: emp.jobylon.com