기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
목표 비즈니스 성과
주요 비즈니스 성과는 조직의 데이터를 비즈니스 가치로 전환할 수 있는 최적화된 프로세스를 채택하는 것입니다. 특히 이 전략은 다음과 같은 목표 비즈니스 성과를 달성하는 데 도움이 될 수 있습니다.
조직 전체로 기계 학습 및 운영(MLOps) 기능을 확장하고 수백 명의 데이터 사이언티스트와 데이터 엔지니어가 조직에서 ML 워크플로를 실행할 수 있도록 지원하는 ML 플랫폼을 개발합니다.
Amazon SageMaker AI를 사용하여 온디맨드 관리형 인프라를 생성하여 확장 가능하고 안전하며 비용 효율적이고 지속 가능한 인프라 배포를 구현 AWS Service Catalog 합니다.
여러 팀의 ML 모델 개발 및 배포 프로세스를 표준화합니다.
기존 모델의 기술적 부채를 줄이고 재사용 가능한 아티팩트를 생성하여 향후 모델 개발 속도를 높입니다.
데이터 및 분석 사용 사례에 대한 아이디어부터 가치 실현 시간을 12~16주로 단축합니다.
ML 사용 사례 환경의 생성 시간을 1~2일로 단축합니다.
기업에서 고급 분석 사용을 확장하면 ML 모델 및 솔루션을 개발하여 프로덕션에 출시하는 데 너무 오랜 시간이 걸릴 수 있습니다. 와 협력하면 비즈니스와 고객을 지원하기 위해 ML 기반 서비스를 개발하고 프로덕션화하기 위한 현대적이고 안전하며 확장 가능하고 지속 가능한 셀프 서비스 플랫폼을 신속하게 설계, 구축 및 시작하는 데 도움이 되는 지침과 지원을 AWS받을 수 있습니다. AWS Professional Services
공동 작업은 다음을 제공합니다.
배포 시간을 몇 주에서 몇 분으로 단축할 수 있는 명확한 RTL(Route To Live)과 함께 인프라 및 애플리케이션 코드에 대한 페더레이션형 셀프 서비스 및 DevOps 기반 접근 방식
업계 모범 사례와 은행 전체의 공유 아티팩트를 사용하는 ML 모델과 인사이트로 혁신을 가속화하는 안전하고 통제되고 템플릿 형식의 환경
조직 전체에서 보다 쉽고 일관되게 데이터에 액세스하고 공유할 수 있는 능력
컴퓨팅 요구 사항을 최소화하고 비용을 절감하며 지속 가능한 ML 개발 및 운영을 가능하게 하는 온디맨드 관리형 아키텍처를 기반으로 하는 최신 도구 세트로, 지속적인 사용 사례 및 규정 준수 요구 사항을 충족하기 위해 새로운 AWS 제품 및 서비스를 유연하게 수용할 수 있습니다.
조직 전체의 데이터 과학 및 엔지니어링 팀이 자립하고 조직 전체로 ML 제품을 확장할 수 있도록 하는 채택, 참여, 교육 지원
