Índice de automatización
¿Cuánto del trabajo de un Jefe de sala puede hacer ya la IA?
Un plano de mesas y una reserva se adelantan. Que la sala respire en un sábado no.
Este porcentaje no predice cuántas personas perderán su empleo.
Comparación de tareas
IS WORK OVER?
Jefe de sala
19%
Hoy la IA ya puede hacer el 19% de este trabajo.
#515 / 643
Ver rankingJefe de sala
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 |
|---|---|---|---|
Reservas, plano de mesas y briefing.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 32% | +5.1 |
Recibir, sentar y leer la sala.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 20% | 12% | +2.4 |
Equipo de sala, pases y quejas.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 22% | +3.5 |
Carta, vinos y sugerencias.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 18% | +2.9 |
Cierre, caja y reseñas.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 16% | +2.6 |
No hundir un servicio ni a un camarero.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 14% | +2.2 |
| Total | 100% | 19% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- Reservas, plano de mesas y briefing
- Recibir, sentar y leer la sala
- Equipo de sala, pases y quejas
- Carta, vinos y sugerencias
- Cierre, caja y reseñas
- No hundir un servicio ni a un camarero
- jefe de sala
- maitre
Fuentes del oficio· O*NET 35-1012.00· ESCO/ISCO 1412
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