Índice de automatización
¿Cuánto del trabajo de un Chef ejecutivo puede hacer ya la IA?
Una ficha de plato y un pedido a proveedor se adelantan. El pase, el equipo y el criterio de una casa no.
Este porcentaje no predice cuántas personas perderán su empleo.
Comparación de tareas
IS WORK OVER?
Chef ejecutivo
19%
Hoy la IA ya puede hacer el 19% de este trabajo.
#485 / 633
Ver rankingChef ejecutivo
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 |
|---|---|---|---|
Cartas, fichas de plato y food cost.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 18% | 38% | +6.8 |
Pedidos, proveedores y merma.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 28% | +4.5 |
Pase, emplatado y ritmo de servicio.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 20% | 10% | +2 |
Liderar brigada, turnos y conflictos.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 12% | +1.9 |
Cocinar en barra y correcciones de punto.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 15% | +2.4 |
Higiene, auditorías y reputación de la casa.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 12% | +1.7 |
| Total | 100% | 19% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- cocinar
- mise en place
- platos
- hornear
- Cartas, fichas de plato y food cost
- Pedidos, proveedores y merma
- Pase, emplatado y ritmo de servicio
- Liderar brigada, turnos y conflictos
- Cocinar en barra y correcciones de punto
- chef ejecutivo
Fuentes del oficio· O*NET 35-1011.00· ESCO/ISCO 3434
IS WORK OVER?
Ingeniero de machine learning
29%
#64 / 633
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