Driving Manufacturing Efficiency With AI: Pirelli’s Daniele Petecchi
25:30 Share

今天，我们播放的是由我们的朋友 Modern CTO Podcast 制作的一期节目，他们最近很友好地邀请我作为嘉宾参加。我们讨论了生成式 AI 的兴起，在技术方面取得成功的意义，以及领导者在指导技术实施工作时需要考虑的一些因素。您可以在 Apple Podcast、Spotify 或您收听播客的任何地方找到 Modern CTO Podcast。当您考虑数字孪生和生成式 AI 时，

您可能不会想到您汽车上的轮胎，但在今天的节目中，我们将了解公司如何使用 AI 来开发这一关键部件。我是来自倍耐力的 Daniele Pitecchi，您正在收听“我和 AI”。欢迎收听“我和 AI”，这是一个关于人工智能和商业的播客。在每一期节目中，我们都会向您介绍一位在 AI 领域进行创新的个人。我是萨姆·兰斯博瑟姆，波士顿学院分析学教授。

我同时也是麻省理工学院斯隆管理评论的 AI 和商业战略客座编辑。

我是谢尔文·科杜班德，BCG 的高级合伙人，也是我们 AI 业务的领导者之一。麻省理工学院 SMR 和 BCG 自 2017 年以来一直在研究和发表关于 AI 的文章，采访了数百名从业者，并对数千家公司进行了调查，了解构建、部署和扩展 AI 能力以及真正改变组织运营方式需要什么。

大家好。今天，我和萨姆很高兴能与倍耐力数据管理和数据科学主管达尼埃尔·帕特奇交谈。达尼埃尔，欢迎来到节目，让我们开始吧。对于那些不熟悉倍耐力的人来说，我的车上恰好有四个你们的轮胎，实际上我的两辆车上都有八个。但对于那些可能不熟悉的人来说，您能描述一下公司，然后是您在倍耐力的角色吗？

当然。倍耐力是一家专注于轮胎制造商，正如您所说，特别是汽车、摩托车和自行车的轮胎。我们的目标是在汽车行业的研发和技术方面处于领先地位。

倍耐力是一家意大利公司。这是一家老公司，已有 150 多年的历史。因此，在此期间，倍耐力发生了变化。现在，我们在高档和高端细分市场中处于领先地位，即高价值市场。但我们也因一级方程式的独家供应商而闻名。如果您在 Netflix 上看过《驱车求生》。是的。

那是与一级方程式赛车相关的系列剧。所以我现在知道谢尔文开的是什么车了。他是唯一一个开豪华车的人。这是你的兰博基尼吗？你看，我是一个高价值客户。啊，是的，高价值。好，好，好。也许您可以告诉我们一些关于您在倍耐力的角色？是的，我负责我们所说的数据管理和 AI。但最终，我处理所有与数据相关的事情。

从商业智能报告、仪表板到数据工程师、数据科学、AI、深度学习、生成式 AI。我们处理所有数据。我们处理来自我们工厂的数据。我们处理研发的数据。我们还与 AI 合作开展商业、供应链等业务。

也许您可以给我们一些关于数据和 AI 如何影响您刚才谈到的所有要素的想法，从生产和研发到供应链的整个价值链。您可以举一些例子吗？哦，是的，是的。商业模式是一个简单的商业模式，但它肯定很强大。我们的目标是与我们的汽车制造商合作。这是我们的想法。我们与原始设备制造商合作，然后我们可以支持我们的替换市场。

此外，我们在业务时间框架方面也获得了收益。汽车制造商会在新车型推出前三年就联系我们，为其开发轮胎。然后新车型就推出了。四年后，我们迎来了第一波更换潮。再过四年，我们迎来了第二波更换潮。

最终，这为我们提供了 11 年的可见性。因此，当我们开始一项新业务时，我们可以预测未来 11 年的情况，因为我们推出了新车，汽车制造商推出了一款新车，然后我们致力于更换。

所以这对我们的商业模式来说非常强大，但它也是使用数据的挑战，因为您必须在这 11 年里努力保证产品的供应和质量，同时考虑到您正在高端和优质市场上为法拉利、兰博基尼、宝马等品牌工作。我不想说出所有品牌，但它们都是顶级品牌。基于此……

让我们考虑一下，我们每年生产超过 6000 万或 7000 万条轮胎。我们在全球 18 家工厂生产这些轮胎。我们在全球近 60 个市场提供我们的轮胎。为了管理这种复杂性，因为我们每年生产 2000 到 3000 种不同的 SKU。

每种型号的轮胎内部都大相径庭，因为有轮辋、英寸、冬季和夏季轮胎等等。所有这些速度等级和所有字母以及所有内容。您是专家。您是专家。因此，您必须管理这种复杂性，并保证我们产品的质量，因为这些品牌对技术要求、性能要求都有很高的要求。为此，我们需要数据。

数据是管理复杂性的唯一途径。正如我所说，150 年前的倍耐力生产轮胎，但当时的场景与现在不同。今天的竞争非常不同。这是一场全球性的竞争。面对市场的挑战肯定不同，正如我所说，我们客户的要求确实具有挑战性和严格性。

就示例而言，我直接转向我们应用 AI 的示例。正如我所说，数据是我们所有商业模式的基石。例如，我们可以从研发开始，例如。过去，当您开发新轮胎时，您会从技术要求开始，设计新产品，然后生产原型，进行测试，

然后更新产品设计。因此，这是一种基于不同循环的开发，因为您必须尝试每种馅饼的不同配方。我可以告诉您，馅饼就像馅饼一样，好吗？有配料，你准备你的馅饼，然后你必须烤它。我吃过那种尝起来像馅饼的馅饼。

是的，我知道。这个迭代过程需要多长时间？需要多长时间？从生产一条轮胎大约需要 30 分钟开始。那么设计过程呢？特别是对于原型设计阶段，过去需要几个月的时间。为此，人工智能能够支持研发，因为您可以虚拟化研发。

通过 AI 进行产品开发。您说的是数字孪生。是的，数字孪生。您必须考虑这种产品的数字孪生是基于 AI 的。例如，当您想预测轮胎的噪音时，

没有简单的方程式可以说明，好的，伙计们，对于这个轮胎，这就是噪音。不，不。今天，噪音非常重要，因为正如您所说，对于电动汽车来说，发动机没有噪音。电动汽车的唯一噪音与轮胎有关。以前，发动机会掩盖这些噪音，您不必担心。但是现在有了新的汽车型号，那么您就会面临更大的压力。

是的，是的，远程压力和轮胎会产生噪音。此外，还有 ESG 流，所以这很重要。噪音也与 ESG 要求有关。最终，如果您想预测轮胎的噪音，我可以告诉您，这很难用理论来解释。

我们训练了我们的神经网络和神经网络模型，并开发了这种能够预测轮胎噪音的模型。但我们很幸运，我们有数据。我们拥有过去测试的原型实验数据。通过这种数据，我们开发了海量数据。我们开发了这种模型，一种深度学习模型，

能够根据产品的结构和其他技术参数来预测轮胎的噪音，而无需原型设计阶段。因此，通过这种模型，我们能够支持我们的研发，缩短上市时间，正如我所说，开发新产品需要几个月的时间，我们可以缩短上市时间，然后还可以降低新轮胎的开发成本。

您可以从数据和比全新品牌更多地进行实验的能力中获益。是的，我们基于我们的历史数据。我们训练了我们的模型，通过这个模型，我们不仅能够预测噪音。通过 AI，我们还可以根据客户的要求为新产品推荐合适的轮胎配方。

因此，在进行全面生产之前，您可以大幅减少原型设计和测试阶段。这有点像我们与莫德纳公司谈论开发新疫苗一样，对吧？因为整个试验、测试和尝试不同变化或提出新配方的过程，这非常引人入胜。我还可以想象一旦您定义了配方和设计，制造过程也是如此。

每年近 1 亿条轮胎的制造过程，包括工厂时间和生产线等等，也一定非常复杂。AI 有哪些例子可以帮助您更有效率、更有效地运行它？哦，是的。在制造过程中，在生产过程中，目标，正如我所说，研发的目标是虚拟化。在生产过程中是效率。

因此，我们应用我们的模型来提高我们生产计划的效率，同时保证质量。因为我们说我们的客户在质量和技术要求方面非常严格。通过 AI，您必须改变工厂的方法，从被动方法转变为预防性方法。

这就是我们在预测性维护中实施的。预测性质量。您必须能够在完成生产之前预测产品的质量。因此，如果您想提高生产过程的效率，则不能等到过程结束时才说，不幸的是，该产品不好。浪费。不。

在您的生产过程中，您必须能够，让我们说，提供一些可能出错的预警，然后在事情发生之前做出反应。这对我们来说是基于人工智能的。所以在过程中，

收集物联网数据，因为我们从机器上收集数据，我们能够检测到是否有问题。它可能会影响我们产品的最终质量。然后我们必须在过程中做一些事情。所以不是停止过程，而是在过程中修改和调整？在过程中。挑战是在过程中做一些事情。如果您停止流程……这是一件大事。是的。

这是一件大事，因为它肯定效率低下，需要停止流程然后重新开始。所以当我想到，例如，

您正在做的复杂性。您知道，您将它比作馅饼。如果我想想馅饼，我可能会有一些面粉和糖，以及像山核桃或山核桃之类的馅料，如果您来自我所在的地方。这些馅料，您知道，您可以组合大约六种不同的配料。但我猜想，对于您正在与之合作的人来说，复杂性要大得多。轮胎馅饼中的配料数量是多少？超过 100 种配料。

如果您考虑轮胎，您有 26 个轮胎部件需要组装然后烘烤。当然，当我来到倍耐力时，因为我在其他公司、其他行业有过经验，我对生产过程的复杂性感到惊讶。但我认为……

我认为，如果您考虑轮胎，轮胎在汽车下面，汽车的重量超过一吨。如果您考虑电动汽车，则重量超过一吨，几乎达到两吨。如果您考虑这一点，如果您考虑轮胎必须支撑汽车，我不知道，法拉利以每小时 300 公里的速度行驶。以及温度，因为天气状况可能会发生变化。所以我们可以在意大利的冬天开始，我们

温度从 0 度到夏季的 40 度或 45 度。对于美国的天气来说，这大约是 130 华氏度，对吧？非常热。是的，是的。但是如果您考虑所有这些条件，您会说，哇。

轮胎并不简单，轮胎的生命周期也不简单。所以这让我想到生成式 AI 的潜力有多大。我们想到生成式 AI，我们想到人们在这里习惯使用的语言模型，但您不仅仅是预测噪音。您有大量数据可以告诉您的工作人员哪些潜在的组合可能效果很好。这与我们的生成声音或生成语言的生成世界非常不同。这种生成式设计似乎有所不同。生成式 AI 是我们应用的东西。我们应用生成式 AI 模型，特别是与语言相关的模型。但说实话，我可以看到倍耐力的 AI 分为两大主流。一种是我之前描述的流，即运营流，

这是一种，让我们说，基于深度学习的东西。它也基于生成式 AI，但生成式 AI 与语言无关。通过生成式 AI，我们覆盖了对部门来说是一个新机会的东西，对于与文本打交道的同事来说也是如此。但说实话，我之前描述的生成式 AI 不仅仅是文本。

与新轮胎配料建议相关的生成式 AI。因此，生成式 AI 是当讨论我们的模型能够提出过去只有人类才能提出的东西的想法时。

因此，正如我所说，GENE-AI 由于 ChurchHPT 的炒作，特别适用于，正如我所说，职能部门。但在我们的预测模型背后，我们的虚拟化研发的模型背后，在这个模型背后也有一个生成模型。

对。这似乎特别有趣。您之前提到在来倍耐力之前您没有意识到这一点。那么，请告诉我们您在倍耐力之前的生活。你做了什么？你的背景是什么？你如何对倍耐力和轮胎感兴趣？我的背景是工程师。我是一位数字信号处理工程师。大学毕业后，我在意大利帮助我的教授进行了一些与电信行业数据相关的研究。

然后我开始在一家咨询公司工作。然后我去了电信行业。然后我也有机会看到公用事业和石油天然气行业以及零售业。所以我看到了客户群的机会。

所以电信和公用事业的消费者。我有机会看到商店在零售方面的行为数据。然后我说，哦，缺少什么？制造业。

所以我有了这个在倍耐力的挑战机会。我说，是的，这是一个非常好的机会，因为这种数据策略是我们倍耐力数字化转型的一部分。在这里，在倍耐力，我们从 2018 年开始，不仅开展数据战略、数据驱动方法、不同的数据驱动。我们开始进行新的数字化转型，以支持我之前描述的商业模式。

我们开始了这种基于数据和超过数据的转型。我们还有基于 CRM、基于产品生命周期管理工具、基于支持生产过程的新工具的事务处理流程。如果您考虑生产过程，物联网项目的关键在于您可以看到，您可以感受到我们所做工作的益处。

如果您，让我们说，能够提高产品的质量，您可以在流程结束时看到您的模型、您使用数据的工作的益处。我喜欢您将所有这些联系在一起的方式。这是一个精彩的故事。所以我们节目有一个环节，叫做“五个问题”，我将问你五个问题。你不知道它们是什么。希望你不知道它们是什么。只告诉我们首先想到的东西。我们只需要快速回答，10 秒钟的快速回答。准备好了吗？

哦，三、二、一。哦，我有点紧张。好的。您认为目前世界上 AI 最大的机会是什么？世界。当然，我认为更好地支持人们的日常工作。我认为这只会给人们带来好处。他们将把无聊的活动留给专注于增值活动。这是 AI 的主要好处。

人们对 AI 最大的误解是什么？AI 将取代人类的工作。您想从事的第一份职业是什么？您小时候想做什么？无论如何，都要处理数据，处理新时代的数据。作为一个五岁的孩子，你想处理数据。无论如何，都要处理下一代数据。AI 是否存在过多的情况？

什么时候 AI 太多了？这不是 AI 太多。这是 AI 最好的营销。当您做某事时，您知道，这是 AI。两个数字的总和，有时是 AI。所以存在过度销售。关键是 AI 的过度销售。好的，好的，好的观点。您希望 AI 能够做到但目前还无法做到的一件事是什么？我认为今天的 AI 与行业、与流程一起工作。

我认为在健康和安全方面可以做得更好，AI 的支持。非常好。丹尼尔，我们非常感谢您抽出时间与我们交谈。轮胎之类的东西可能不是我们所有人都会经常考虑的事情。它们只是工作。在我们听到它们或它们开始发出噪音之前，我们不会担心它们。但是您所做的是让我们了解这个过程的复杂性以及它

人类和机器如何协同工作以学习如何为我们所有人制造更好的轮胎。我认为这非常有趣。感谢您抽出时间与我们交谈。我们感谢您。是的，非常感谢您。谢谢。感谢您进行这次有趣的讨论。您也让我们开始思考馅饼。

谢尔文，你现在饿了吗？我很饿。当你下次做馅饼的时候，请。我想快速驾驶并吃馅饼。记住。是的，是的。当你做下一个馅饼时，记住轮胎。谢谢收听。在下一集中，我们将了解 AI 和生成式 AI 如何帮助人们与来自 Slack 的 Jackie Rocca 更有效地协作。

感谢收听“我和 AI”。我们相信，与您一样，关于 AI 实施的对话不会仅限于此播客。这就是为什么我们在 LinkedIn 上专门为像您这样的听众创建了一个小组。它被称为“AI for Leaders”。如果您加入我们，您可以与节目创建者和主持人聊天，提出您自己的问题，分享您的见解，并了解更多关于 AI 的信息。

并获得来自麻省理工学院 SMR 和 BCG 关于 AI 实施的宝贵资源，您可以通过访问 mitsmr.com/AIforLeaders 来访问它。我们将把该链接放在节目说明中，我们希望在那里见到您。