Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Resultados empresariales específicos El resultado empresarial clave es adoptar procesos optimizados que puedan transformar los datos de su organización en valor empresarial. Especialmente, esta estrategia puede ayudarlo a lograr los siguientes resultados empresariales específicos: + Escale las capacidades de machine learning y operaciones (MLOps) en toda su organización y desarrolle una plataforma de ML que ayude a cientos de científicos e ingenieros de datos a ejecutar los flujos de trabajo de ML en su organización. + Implemente un despliegue de infraestructura escalable, seguro, rentable y sostenible mediante AWS Service Catalog la creación de una infraestructura gestionada bajo demanda con Amazon SageMaker AI. + Estandarice el proceso de desarrollo e implementación del modelo de ML en varios equipos. + Reduzca la deuda técnica de los modelos existentes y cree artefactos reutilizables para acelerar el desarrollo de futuros modelos. + Reduzca a un periodo de entre 12 y 16 semanas el tiempo dedicado a convertir la idea en valor para los casos de uso de datos y análisis. + Reduzca el tiempo de creación de los entornos de casos de uso de ML a 1 o 2 días. Si se escala el uso de la analítica avanzada en la empresa, desarrollar y lanzar modelos y soluciones de ML a la producción puede llevar demasiado tiempo. Al asociarse con nosotros AWS, recibirá orientación y asistencia que le ayudarán a diseñar, crear y lanzar rápidamente una plataforma de autoservicio moderna, segura, escalable y sostenible para desarrollar y poner en producción ML-based servicios que sirvan de apoyo a su empresa y a sus clientes. [AWS Los servicios profesionales](https://aws.amazon.com/professional-services/) pueden trabajar con usted para acelerar la implementación de las prácticas recomendadas de AWS sobre el uso de la [SageMaker IA](https://aws.amazon.com/sagemaker/) para crear, entrenar e implementar modelos de aprendizaje automático para casos de uso personalizados según las necesidades de su organización. La colaboración ofrece lo siguiente: + Un DevOps-driven enfoque federado, de autoservicio y de código de aplicaciones e infraestructura, con un plan de ejecución claro que puede reducir los tiempos de implementación de semanas a minutos + Un entorno seguro, controlado y con plantillas para acelerar la innovación con modelos y e información de ML que utilizan las prácticas recomendadas del sector y los artefactos compartidos por todo el banco + La capacidad de acceder a los datos y compartirlos de forma más fácil y coherente en toda la organización + Un conjunto de herramientas moderno basado en una arquitectura gestionada bajo demanda que puede minimizar los requisitos de procesamiento, reducir los costes y permitir el desarrollo y las operaciones sostenibles del aprendizaje automático, con la flexibilidad necesaria para dar cabida a nuevos AWS productos y servicios a fin de cumplir con los requisitos de cumplimiento y los casos de uso continuos + Soporte de adopción, participación y capacitación que permite a los equipos de ciencia de datos e ingeniería de su organización ser autosuficientes y escalar los productos de ML en toda su organización