Índice de automatización
¿Cuánto del trabajo de un Analista de logística puede hacer ya la IA?
Un tablero de costes se adelanta. Encontrar el ahorro y que la red no se rompa no.
Este porcentaje no predice cuántas personas perderán su empleo.
Comparación de tareas
IS WORK OVER?
Analista de logística
28%
Hoy la IA ya puede hacer el 28% de este trabajo.
#79 / 623
Ver rankingAnalista de logística
En qué se va el tiempo
El peso es una estimación nuestra basada en la frecuencia, no un porcentaje de tiempo publicado por O*NET.
El ahorro de cada tarea se estima por separado.
| Tarea | Peso | IA | Puntos |
|---|---|---|---|
Costes, OTIF y el tablero.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 18% | 52% | +9.4 |
Simular red, almacenes y el what-if.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 40% | +6.4 |
Operaciones, el dato sucio y bajar a muelle.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 22% | +3.5 |
Informe, dirección y el recorte que duele.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 28% | +4.5 |
El transportista, el contrato y no romper el servicio.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 18% | 14% | +2.5 |
El ahorro real y no maquillar el OTIF.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 12% | +1.9 |
| Total | 100% | 28% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- costes logísticos
- OTIF
- simular red
- what-if
- dato sucio
- contratos de transporte
- tableros
- recortes de red
Fuentes del oficio· O*NET 13-1081.00· ESCO/ISCO 2421
IS WORK OVER?
Ingeniero de machine learning
29%
#64 / 623
Ver rankingIngeniero de machine learning
En qué se va el tiempo
El peso es una estimación nuestra basada en la frecuencia, no un porcentaje de tiempo publicado por O*NET.
El ahorro de cada tarea se estima por separado.
| Tarea | Peso | IA | Puntos |
|---|---|---|---|
Entrenar modelos, features y notebooks.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 22% | 48% | +10.6 |
Evaluar, documentar y comparar runs.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 18% | 42% | +7.6 |
Desplegar, monitorizar y retraining.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 22% | +3.5 |
Hablar con producto sobre qué es un buen error.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 15% | +2.4 |
Datos sucios, sesgo y límites del modelo.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 18% | +2.5 |
Guardia, incidencias y rollback.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 16% | +2.2 |
| Total | 100% | 29% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- Entrenar modelos, features y notebooks
- Evaluar, documentar y comparar runs
- Desplegar, monitorizar y retraining
- Datos sucios, sesgo y límites del modelo
- Guardia, incidencias y rollback
- machine learning engineer
- ingeniero ml
- mlops
Fuentes del oficio· O*NET 15-1221.00· ESCO/ISCO 2511