Índice de automatización
¿Cuánto del trabajo de un Conductor de hormigonera puede hacer ya la IA?
Una ruta y un slump se adelantan. Llegar fresco y echar sin atascar la bomba no.
Este porcentaje no predice cuántas personas perderán su empleo.
Comparación de tareas
IS WORK OVER?
Conductor de hormigonera
21%
Hoy la IA ya puede hacer el 21% de este trabajo.
#421 / 643
Ver rankingConductor de hormigonera
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 |
|---|---|---|---|
Pedido, fórmula y el tiempo de amasado.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 36% | +5.8 |
Conducir, obra y el acceso estrecho.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 22% | 10% | +2.2 |
Echar, bomba y el que pide más agua.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 22% | +3.5 |
Lavar, restos y no dejar el tambor duro.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 28% | +4.5 |
El atasco, el retraso y el hormigón que se queda.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 18% | +2.9 |
Llegar fresco y no añadir agua de más.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 12% | +1.7 |
| Total | 100% | 21% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- conducir hormigonera
- amasar
- echar hormigón
- lavar tambor
- slump
- bomba de hormigón
- fórmula de pedido
- acceso de obra
Fuentes del oficio· O*NET 53-3032.00· ESCO/ISCO 8332
IS WORK OVER?
Ingeniero de machine learning
29%
#64 / 643
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