矿业企业通过使用机器学习来改善运营表现，从而取得了令人瞩目的成果。机器学习是人工智能的一个子领域，其中的算法旨在理解复杂数据集中的关系，并利用这种认识来构建模型并进行预测。

 管理人员和作业人员使用这些模型和预测来制定可增加价值的决策。这样的例子包括最大程度地降低爆破成本，减少运输车辆的燃料消耗，增加设备正常运行时间，以及最大程度地提高生产量和采收率。

 但是，对于每个机器学习取得成功的故事，其背后都会存在更多的失败。其中包括被搁置的概念验证项目和示范项目，因为它们没有按预期交付。而且在许多情况下，管理人员无法解释项目搁置的原因。

 为什么这么多机器学习项目失败？波士顿咨询公司（BCG）与客户合作提出了三个原因：

 （1）技术缺陷：开发的算法根本无法正常工作。

 （2）价值不足：专注于解决有趣的问题，但无助于公司获得新的价值。管理人员无法判断其成本，因此搁置相关工作。

 （3）未充分改变管理理念：机器学习工具的用户无法适应这一变化过程。因此，他们不信任这些工具，也不愿意使用它们。

 大多数矿业企业高管和从业人员都非常了解创造价值和改变管理理念带来的问题。但是，有缺陷的技术背后的“罪魁祸首”鲜为人知。因此，这里着重研究机器学习失败背后的技术原因，并描述一种新兴技术——贝叶斯学习方法，该方法可帮助矿业企业从机器学习技术中获得更多收益。

 矿业行业中经典机器学习方法的局限性

 尽管机器学习很有用，但该技术也有一些固有的局限性。最值得注意的是，通过经典方法（例如神经网络和随机森林）开发的机器学习算法通常需要大量数据（通常是长时间生成的），以识别数据中的关系并做出有用的预测。

 对于矿业行业，管理人员面临着许多情况，即没有足够的可用数据来使算法学习数据中的关系。也许一项作业没有运行很长时间（例如半自磨机中新安装的破岩摄像机），因此几乎没有生成任何历史数据。或者，也许长期运行中的关键要素发生了变化，从而与历史数据不再相关，例如被重新校准的传感器。

 而且，很难理解机器学习模型是如何进行预测的，因此模型经常被批评为“黑盒”。管理人员可以通过对该模型进行实验来揭示盒子中发生了什么。例如，观察预测如何随着模型输入参数的变化而变化。但是，要全面了解模型的工作原理非常困难。这种不透明性使得很难使模型与第一性原理（first principles）协调一致。也就是说，证明模型的行为方式与所讨论的过程在现实世界（包括其物理性质）中的实际工作方式一致。

 无法确保模型遵循第一性原理，也解释了为什么通过经典方法开发的算法需要大量数据：他们需要学习一切，包括已知是正确的物理学公式。结果如何？这是建立模型的低效率方法。

 由于缺乏足够的数据来采用经典机器学习方法，已经开展机器学习工作的许多矿业企业未能从中获取价值。这些失败带来了高昂的代价。大型机器学习程序的成本可能高达数百万美元，而失败可能会引发对该技术实用性的怀疑。

 有没有办法使管理人员利用他们的第一性原理的知识，并为不了解过程的管理人员只使用算法所需的数据并从而建立更好的模型？是的，这种技术是贝叶斯学习方法。

 了解贝叶斯学习方法

 贝叶斯学习方法将人工智能（例如经验建模或数据学习）中的有用概念与经典工程技术（应用物理学）相结合。用最简单的术语来说，贝叶斯学习可以让数据科学家在了解现实世界中的工作方式之前将其编码为一种算法。这种先前的认识通常来自于作业人员和工程师，他们通常对公司要建模的过程具有合理但不精确的理解。

 因为使用了先前的认识，所以贝叶斯学习方法需要的数据比经典机器学习少得多。因此，从数据中获取深入认识要高效得多，因为该算法无需学习从物理上已知是正确的东西。贝叶斯学习方法也完全是“白盒”：可以解释预测，并且用户不必将模型与第一原理协调一致。

 贝叶斯学习的概念已经出现了一段时间。但是，该方法非常耗费计算资源。随着低成本云计算可用性的提高，大规模实施该技术直到最近才变得更加实际。的确，计算能力的提高已使许多机器学习应用程序的使用成为可能，包括神经网络，这些应用程序在获得必要的计算能力之前已经进行了数十年的理论化。

 展望未来

 贝叶斯学习方法正变得越来越可行，并且使矿业行业产生了更大的兴趣。但是采用该方法也会带来一些挑战。一方面，这是统计学的高度专业化分支，需要超越通用数据科学的技能和专业知识。很难找到和招募具备这种能力的人员。与其他数据科学类别一样，此类人才的竞争也在加剧。而且，由于该技术的高度专业性，因此存在失误的实际危险。

 为了为成功使用贝叶斯学习方法奠定基础，矿业企业将需要立即就此方法进行自我培训。此外，他们应该问自己，通过贝叶斯技术可以最佳地克服哪些运营挑战。

 这需要进行很多工作吗？答案是“对的”。但是，如果矿业企业打算在快速到来的未来中走在运营创新的最前沿，那么他们就不能回避贝叶斯学习方法的采用。

（中国地质调查局地学文献中心，国际矿业研究中心矿业科技组编译，张炜审校，陈秀法审核，文章来源：

https://www.miningmagazine.com/innovation/opinion/1405681/making-the-case-for-bayesian-learning-in-mining/）