As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Resultados de negócios desejados O principal resultado comercial é adotar processos otimizados capazes de transformar os dados da sua organização em valor comercial. Especificamente, essa estratégia pode ajudar você a alcançar os seguintes resultados comerciais específicos: + Escalar os recursos de operações e machine learning (MLOps) em toda a sua organização e desenvolver uma plataforma de ML para apoiar centenas de cientistas e engenheiros de dados na execução de fluxos de trabalho de ML em sua organização. + Implemente uma implantação de infraestrutura escalável, segura, econômica e sustentável usando AWS Service Catalog para criar uma infraestrutura gerenciada sob demanda com a Amazon AI. SageMaker + Padronizar o processo de desenvolvimento e implantação do modelo de ML em várias equipes. + Reduzir a dívida técnica dos modelos existentes e criar artefatos reutilizáveis para acelerar o desenvolvimento futuro de modelos. + Reduzir o tempo entre a ideia e a geração de valor dos casos de uso de dados e análises para 12 a 16 semanas. + Reduzir o tempo de criação de ambientes de casos de uso de ML para 1 a 2 dias. Quando você escala o uso de análises avançadas na empresa, pode demorar muito tempo para desenvolver e lançar modelos e soluções de ML para produção. Ao fazer parceria com AWS, você recebe orientação e suporte que podem ajudá-lo a projetar, criar e lançar rapidamente uma plataforma de autoatendimento moderna, segura, escalável e sustentável para desenvolver e produzir ML-based serviços para apoiar seus negócios e clientes. [AWS Os serviços profissionais](https://aws.amazon.com/professional-services/) podem trabalhar com você para acelerar a implementação das melhores práticas da AWS para usar a [SageMaker IA](https://aws.amazon.com/sagemaker/) para criar, treinar e implantar modelos de ML para casos de uso personalizados de acordo com suas necessidades organizacionais. A colaboração possibilita: + Uma DevOps-driven abordagem federada, de autoatendimento e código de aplicativos, com um caminho claro para a vida útil que pode reduzir o tempo de implantação de semanas para minutos + Um ambiente seguro, controlado e baseado em modelos para acelerar a inovação com modelos e insights de ML que usam as práticas recomendadas do setor e artefatos compartilhados em todo o banco + A capacidade de acessar e compartilhar dados com mais facilidade e consistência em toda a organização + Um conjunto de ferramentas moderno baseado em uma arquitetura gerenciada sob demanda que pode minimizar os requisitos de computação, reduzir os custos e permitir o desenvolvimento e as operações sustentáveis de ML, com a flexibilidade de acomodar novos AWS produtos e serviços para atender aos requisitos contínuos de casos de uso e conformidade + Suporte a adoção, engajamento e treinamento que permite que as equipes de ciência de dados e engenharia sejam autossuficientes e escalem os produtos de ML em toda a organização