Índice de automatización
¿Cuánto del trabajo de un Tatuador puede hacer ya la IA?
Un boceto y una cita se adelantan. Aguja, piel y que el cliente se lo lleve 40 años no.
Este porcentaje no predice cuántas personas perderán su empleo.
Comparación de tareas
IS WORK OVER?
Tatuador
16%
Hoy la IA ya puede hacer el 16% de este trabajo.
#622 / 643
Ver rankingTatuador
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 |
|---|---|---|---|
Bocetos, stencils y portfolio.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 40% | +6.4 |
Citas, consentimiento y aftercare escrito.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 28% | +3.9 |
Tatuar: línea, sombra y dolor.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 26% | 4% | +1 |
Higiene, esterilización y desecho.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 8% | +1.3 |
Asesorar, recortar el diseño y decir que no.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 12% | +1.7 |
Marca del estudio y trato post sesión.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 14% | +2 |
| Total | 100% | 16% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- Bocetos, stencils y portfolio
- Citas, consentimiento y aftercare escrito
- Tatuar: línea, sombra y dolor
- Higiene, esterilización y desecho
- Marca del estudio y trato post sesión
- tatuador
- tattoo
- tatuaje
Fuentes del oficio· O*NET 27-1019.00· ESCO/ISCO 5142
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