Índice de automatización
¿Cuánto del trabajo de un Empleada de hogar puede hacer ya la IA?
Una lista de la compra se escribe sola. Una casa ajena, una confianza y una espalda no.
Este porcentaje no predice cuántas personas perderán su empleo.
Comparación de tareas
IS WORK OVER?
Empleada de hogar
15%
Hoy la IA ya puede hacer el 15% de este trabajo.
#633 / 643
Ver rankingEmpleada de hogar
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 |
|---|---|---|---|
Listas, compra online y recados escritos.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 30% | +4.2 |
Menús y organización de despensa.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 12% | 22% | +2.6 |
Limpiar, cocinar, planchar y ordenar.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 26% | 8% | +2.1 |
Cuidar a mayores o niños de la casa.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 10% | +1.6 |
Confianza, llaves y límites.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 12% | +1.9 |
Relación con la familia empleadora.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 14% | +2.2 |
| Total | 100% | 15% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- Listas, compra online y recados escritos
- Menús y organización de despensa
- Limpiar, cocinar, planchar y ordenar
- Cuidar a mayores o niños de la casa
- Confianza, llaves y límites
- Relación con la familia empleadora
- empleada de hogar
- interno
- domestic worker
- trabajadora del hogar
Fuentes del oficio· O*NET 39-9011.00· ESCO/ISCO 9111
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