本文说明以MATLAB和Simulink进行基於模型的设计训练与模型评估，如何使用在自动化ML Ops流程，实现一个虚构的都会运输系统预测性维护应用。

当有更多的组织机构开始仰赖机器学习应用来协助处理核心事业职责，也有许多正在更进一步地审视这些应用的完整生命周期。对机器学习关注焦点已从最初的开发部署扩展到环绕着持续监管与更新。输入资料的改变有可能会降低模型的预测或分类准确性，及时的再训练与模型评估，有助於产生更好的模型与更精确的决策。

在机器学习的运行（machine learning operations，或ML Ops），开发的规划、设计、建构、测试活动与运行时的部署、操作及监管活动是以持续的回????圈连结在一起（图1）。许多资料科学团队已经将ML Ops循环之中的一部分自动化，像是部署及运行。
...
...