本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 目標業務成果
<a name="targeted-business-outcomes"></a>

關鍵的業務成果是採用優化程序，將組織的資料轉化為商業價值。具體而言，此策略可以協助您實現下列目標業務成果：
+ 在整個組織中擴展機器學習和操作 (MLOP) 功能，並開發機器學習平台以支援數百名資料科學家和資料工程師在組織中執行機器學習工作流程。
+ 使用 透過 Amazon SageMaker AI 建立隨需受管基礎設施 AWS Service Catalog ，實作可擴展、安全、經濟實惠且永續的基礎設施部署。
+ 標準化多個團隊的機器學習模型開發和部署程序。
+ 減少現有模型的技術負債，並建立可重複使用的成品，以加速未來模型開發。
+ 將資料和分析使用案例的實現時間縮短到 12-16 週。
+ 將機器學習使用案例環境的建立時間縮短至 1-2 天。

當您在企業中擴展進階分析的使用時，開發機器學習模型和解決方案並將其發佈到生產環境中可能需要非常長的時間。透過與 合作 AWS，您會收到指引和支援，協助您快速設計、建置和啟動現代化、安全、可擴展且永續的自助服務平台，用於開發和生產 ML 型服務，以支援您的業務和客戶。[AWS Professional Services](https://aws.amazon.com/professional-services/) 可以與您合作，加速實作使用 [SageMaker AI](https://aws.amazon.com/sagemaker/) 來建置、訓練和部署 ML 模型的 AWS 最佳實務，以滿足組織需求自訂的使用案例。

協同合作可提供以下內容：
+ 針對基礎設施和應用程式碼的聯合、自助服務和 DevOps 驅動型方法，提供清晰的上線路徑，可將部署時間從數週縮短為數分鐘
+ 安全、受控且範本化的環境，透過使用業界最佳實務和全銀行共用成品的機器學習模型和深入解析來加速創新
+ 在整個組織中更輕鬆且一致地存取和共用資料的能力
+ 以隨需受管架構為基礎的現代工具集，可將運算需求降至最低、降低成本，並實現可持續的 ML 開發和操作，並靈活地容納新 AWS 產品和服務，以滿足持續的使用案例和合規要求
+ 採用、參與和培訓支援，使組織中的資料科學和工程團隊能夠自給自足，並在整個組織中擴展機器學習產品