Índice de automatización
¿Cuánto del trabajo de un Detective puede hacer ya la IA?
Cruzar bases y un informe se adelantan. Seguir a alguien, creer a un testigo y no quemar la causa no.
Este porcentaje no predice cuántas personas perderán su empleo.
Comparación de tareas
IS WORK OVER?
Detective
22%
Hoy la IA ya puede hacer el 22% de este trabajo.
#328 / 633
Ver rankingDetective
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 |
|---|---|---|---|
Cruzar bases, cámaras y expedientes.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 20% | 42% | +8.4 |
Informes, cronologías y solicitudes judiciales.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 35% | +5.6 |
Vigilancia, entrevistas y escena.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 18% | 12% | +2.2 |
Valorar un testigo y una pista falsa.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 10% | +1.6 |
Coordinar con fiscalía y unidades.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 14% | +2.2 |
Decidir el siguiente paso y el secreto de sumario.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 16% | +2.2 |
| Total | 100% | 22% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- atestado
- patrullar
- identificar a alguien
- Cruzar bases, cámaras y expedientes
- Vigilancia, entrevistas y escena
- Valorar un testigo y una pista falsa
- Coordinar con fiscalía y unidades
- detective
- investigador privado
- inspector de policia
Fuentes del oficio· O*NET 33-3021.00· ESCO/ISCO 5412
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