Scientifique de données / Data Scientist

À propos d'Ondova

Ondova est une startup montréalaise de deep-tech, issue de l'incubateur TandemLaunch, qui développe une technologie pour écouteurs : nous réutilisons le transducteur d'un écouteur ou d'une oreillette ordinaire à la fois comme haut-parleur et comme capteur de biosignaux, sans capteur additionnel. Cela transforme des écouteurs de tous les jours en capteurs de fréquence cardiaque, de détection du port, d'identification de l'utilisateur et de gestes. Nous sommes en phase pré-commerciale, protégés par des brevets, et nous bâtissons le matériel et le logiciel de référence que nos partenaires et fabricants d'équipement d'origine (OEM) pourront licencier.

Le poste

Vous travaillerez directement avec notre responsable technique sur la science au cœur du produit : les algorithmes qui transforment les signaux bruts captés par le haut-parleur en données biométriques — fréquence cardiaque et signes vitaux connexes, identification de l'utilisateur, détection du port et reconnaissance de gestes. Les outils d'acquisition de données existent déjà; votre rôle porte sur le pipeline de données : acquisition, extraction du signal physiologique à travers le bruit, conception et évaluation de modèles, et mise à l'épreuve d'hypothèses — la robustesse de chaque caractéristique face au mouvement, à la lecture audio et aux variations du monde réel.

Il s'agit d'un poste de recherche-ingénierie concret, pour une personne qui souhaite voir ses modèles intégrés à un produit commercialisé plutôt que publiés dans un article. Vous serez responsable de la qualité de nos résultats : les bancs d'évaluation, les points de référence et la rigueur.

Vos responsabilités

• Explorer et comprendre les jeux de données de biosignaux captés par haut-parleur; formuler et tester des hypothèses sur ce que contient le signal et ce qui le corrompt.

• Concevoir, implémenter et évaluer des méthodes de traitement du signal et d'apprentissage automatique pour l'extraction de caractéristiques, la récupération du rythme cardiaque, l'identification du porteur, la classification de gestes et le rejet des interférences.

• Assurer le contrôle qualité des résultats : bâtir des bancs d'évaluation et des points de référence de régression (p. ex. MAE, MAPE, corrélation, Bland-Altman, disponibilité), en assurer le suivi à mesure que les méthodes évoluent, et rendre compte avec autant de clarté de ce qui fonctionne que de ce qui ne fonctionne pas.

• Mener des études de robustesse : artefacts de mouvement, conditions de lecture audio, variations d'ajustement, écarts entre unités — quantifier où et pourquoi chaque caractéristique se dégrade.

• Documenter les méthodes et les résultats de sorte que chaque affirmation faite à nos partenaires soit rattachable à une expérience.

Ce que nous recherchons

• Une maîtrise ou un doctorat en génie, en informatique, en physique, en mathématiques appliquées ou dans un domaine connexe; ou un baccalauréat assorti d'une expérience de recherche équivalente; et environ 3 à 8 ans et plus de travail appliqué — le niveau du poste sera ajusté au profil retenu.

• Une solide maîtrise de l'écosystème scientifique Python (NumPy/SciPy/pandas; scikit-learn et/ou un cadriciel d'apprentissage profond) et de bonnes pratiques logicielles : tests, Git, révision de code.

• De réelles bases en traitement du signal : filtrage, FFT et analyse spectrale, échantillonnage — de quoi raisonner sur une série temporelle avant de la modéliser.

• Une aisance avec les statistiques et l'évaluation : vous savez quand la corrélation induit en erreur, pourquoi la méthode de Bland-Altman existe, et comment concevoir une expérience susceptible de vous donner tort.

• De l'aisance avec des données réelles imparfaites et une capacité à énoncer clairement vos hypothèses.

• Une communication claire, capable d'expliquer un résultat et ses limites autant aux chercheurs qu'aux parties prenantes d'affaires.

Atouts

• De l'expérience avec les biosignaux (ECG, PPG, audio).

• De l'apprentissage profond sur séries temporelles; des méthodes auto-supervisées ou adaptées aux petits jeux de données.

• Une sensibilité aux contraintes du temps réel et de l'exécution sur appareil dans la conception d'algorithmes (calcul, latence, mémoire).

Logistique

Poste à temps plein, basé à Montréal. Rémunération concurrentielle. Les candidats retenus réaliseront un court exercice de traitement du signal à faire à la maison (environ 2 heures) avant un entretien technique.

______________

About Ondova

Ondova is a Montreal deep-tech startup, spun out of the TandemLaunch incubator, building headphone technology: we reuse an ordinary headphone or earbud driver as both the audio speaker and a biosignal sensor, with no added sensors. That turns everyday headphones into heart-rate, wear-detection, user-ID, and gesture sensors. We are pre-commercial, patent-backed, and building the reference hardware and software that partners and OEMs will license.

The role

You will work directly with our technical lead on the science at the core of the product: the algorithms that turn raw speaker-sensed signals into biometrics, heart rate and related vitals, user identification, wear detection, and gesture recognition. The data acquisition tooling already exists; your job is the data pipeline: data acquisition, extracting physiological signal from noise, building and evaluating models, and testing hypotheses, how well each feature holds up under motion, playback, and real-world variation.

This is a hands-on research-engineering role for someone who wants their models to end up in a shipping product rather than a paper. You will own the quality of our results: the evaluation harnesses, the benchmarks, and the discipline.

What you’ll do

• Explore and understand speaker-sensed biosignal datasets; form and test hypotheses about what the signal contains and what corrupts it.

• Design, implement, and evaluate signal-processing and machine-learning methods for feature extraction, heartbeat recovery, wearer identification, gesture classification, and for interference rejection.

• Own results QA: build evaluation harnesses and regression benchmarks (e.g., MAE, MAPE, correlation, Bland-Altman, availability), track them as methods evolve, and report what works and what doesn’t with equal clarity.

• Run robustness studies: motion artifacts, playback conditions, fit variation, unit-to-unit spread, quantify where each feature degrades and why.

• Document methods and results so that every claim we make to partners is traceable to an experiment.

What we’re looking for

• Master’s or PhD in engineering, computer science, physics, applied math, or a related field; or a Bachelor’s with equivalent research experience; and roughly 3-8+ years of applied work; we will level the role to the candidate.

• Strong Python scientific stack (NumPy/SciPy/pandas; scikit-learn and/or a deep-learning framework) and solid software habits: tests, Git, code review.

• Real signal-processing fundamentals: filtering, FFT and spectral analysis, sampling, so you can reason about a time series before you model it.

• Statistical and evaluation literacy: you know when correlation misleads, why Bland-Altman exists, and how to design an experiment that could prove you wrong.

• Comfortable with messy real-world data and with stating assumptions clearly.

• A clear communicator who can explain a result, and its limitations, to both researchers and business stakeholders.

Nice to have

• Experience with biosignals (ECG, PPG, audio).

• Time-series deep learning; self-supervised or small-data methods.

• Awareness of real-time and on-device constraints when designing algorithms (compute, latency, memory).

Logistics

Montreal-based, full-time. Compensation is competitive. Selected candidates complete a short (~2-hour) take-home signal-processing exercise before a technical conversation.