本文說明以MATLAB和Simulink進行基於模型的設計訓練與模型評估，如何使用在自動化ML Ops流程，實現一個虛構的都會運輸系統預測性維護應用。

當有更多的組織機構開始仰賴機器學習應用來協助處理核心事業職責，也有許多正在更進一步地審視這些應用的完整生命週期。對機器學習關注焦點已從最初的開發部署擴展到環繞著持續監管與更新。輸入資料的改變有可能會降低模型的預測或分類準確性，及時的再訓練與模型評估，有助於產生更好的模型與更精確的決策。

在機器學習的運行（machine learning operations，或ML Ops），開發的規劃、設計、建構、測試活動與運行時的部署、操作及監管活動是以持續的回饋迴圈連結在一起（圖1）。許多資料科學團隊已經將ML Ops循環之中的一部分自動化，像是部署及運行。
...
...