Índice de automatización
¿Cuánto del trabajo de un Ferrallista puede hacer ya la IA?
Un despiece y un pedido se adelantan. Atar un forjado que aguante no.
Este porcentaje no predice cuántas personas perderán su empleo.
Comparación de tareas
IS WORK OVER?
Ferrallista
17%
Hoy la IA ya puede hacer el 17% de este trabajo.
#600 / 643
Ver rankingFerrallista
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 |
|---|---|---|---|
Despiece, diámetros y pedido de acero.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 30% | +4.8 |
Cortar, doblar y atar ferralla.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 24% | 8% | +1.9 |
Forjados, pilares y esperas.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 12% | +1.9 |
Obra, grúa y seguridad.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 18% | +2.9 |
Partes, kilos y extra.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 22% | +3.1 |
No dejar un recubrimiento corto.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 14% | +2 |
| Total | 100% | 17% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- Despiece, diámetros y pedido de acero
- Cortar, doblar y atar ferralla
- Forjados, pilares y esperas
- Obra, grúa y seguridad
- Partes, kilos y extra
- No dejar un recubrimiento corto
- ferrallista
- armador de hierro
- rebar
Fuentes del oficio· O*NET 47-2171.00· ESCO/ISCO 7214
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