Índice de automatización
¿Cuánto del trabajo de un DJ puede hacer ya la IA?
Un setlist y un recut se adelantan. Leer una pista a las 3 y no matar el baile no.
Este porcentaje no predice cuántas personas perderán su empleo.
Comparación de tareas
IS WORK OVER?
DJ
20%
Hoy la IA ya puede hacer el 20% de este trabajo.
#448 / 633
Ver rankingDJ
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 |
|---|---|---|---|
Preparar crates, edits y setlists.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 18% | 42% | +7.6 |
Promoción, contratos y riders.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 30% | +4.8 |
Pinchar en vivo y leer la pista.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 24% | 8% | +1.9 |
Sonido de sala, mesa y fallos técnicos.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 12% | +1.7 |
Trato con local, talent buyer y público.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 14% | +2 |
Marca, gira y catálogo propio.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 16% | +2.2 |
| Total | 100% | 20% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- Preparar crates, edits y setlists
- Promoción, contratos y riders
- Pinchar en vivo y leer la pista
- Sonido de sala, mesa y fallos técnicos
- Trato con local, talent buyer y público
- Marca, gira y catálogo propio
- pinchadiscos
- disc jockey
Fuentes del oficio· O*NET 27-2042.00· ESCO/ISCO 2652
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