هوش مصنوعی Edge چیست؟ —- هوش مصنوعی اج و کاربردهایش در نسل جدید

 

هم رویش منتشر کرده است:

آموزش یادگیری ماشین از صفر — یادگیری سریع و آسان

 

هوش مصنوعی Edge چیست؟

هوش مصنوعی اج (Edge) ترکیبی از رایانش لبه‌ (edge computing) و هوش مصنوعی، برای اجرای مجموعه وظایفی از یادگیری ماشین (machine learning) به صورت مستقیم بر روی دستگاه‌های Edge متصل است.

برای این که درک درستی از چیستی هوش مصنوعی Edge پیدا کنیم، لازم است نگاهی بیندازیم به ترندهای تکنولوژِی که نیاز پیشروی از هوش محاسباتی و مصنوعی به Edge را، ایجاد می‌نمایند.

 

هوش مصنوعی Edge توسط کلان‌داده و IoT هدایت می‌شود

امروزه، در عصر اینترنت اشیا (IoT)، حجم بی‌سابقه‌ای از داده‌های تولید شده توسط دستگاه‌های متصل، نیاز به جمع‌آوری و تجزیه‌وتحلیل دارند. این موضوع باعث به‌وجودآمدن مقدار بسیار زیادی داده در لحظه می‌شود که البته برای درک این داده‌ها، نیاز به سیستم‌های هوش مصنوعی داریم.

 

 

هم رویش منتشر کرده است:

آموزش اینترنت اشیا از صفر تا کنترل آنلاین ـــــــ بسته جامع

 

به طور سنتی، هوش مصنوعی مبتنی بر ابر (Cloud-base) است

در ابتدا، به دلیل نیاز به سخت‌افزاری قوی که قادر به اجرای وظایف محاسباتی هوش مصنوعی و توانایی مقیاس‌سازی آسان منابع در ابر (cloud) باشد، راه‌حل‌های هوش مصنوعی مبتنی بر ابر بودند. این پروسه شامل بارگذاری داده‌ها در یک سیستم محاسباتی خارجی (ابر یا cloud) برای پردازش‌های بیشتر است. اما این کار تأخیر (latency) را بیشتر و بدتر می‌کند و منجر به افزایش هزینه‌های ارتباطی و به‌وجودآمدن نگرانی‌های امنیتی می‌شود.

 

رایانش لبه‌ (Edge Computing) چیست؟

برای رفع محدودیت‌های ابر، نیاز به انتقال وظایف محاسباتی به لبه شبکه، نزدیک‌تر به محل تولید داده وجود دارد. رایانش لبه‌ (Edge Computing) اشاره به محاسباتی دارد که به‌جای مکانی دور و غیرقابل‌دسترس، در مکانی تاحد امکان نزدیک به جایی که داده‌ها تولید شده‌اند، انجام شوند.

ازاین‌رو رایانش لبه‌ (Edge Computing) برای گسترش ابر (cloud) که معمولاً، در قالب سیستم‌های edge-cloud پیاده‌سازی می‌شود، استفاده می‌شود. در واقع گره‌های غیرمتمرکز edge (decentralized edge nodes)، داده‌های پردازش شده را به ابر ارسال می‌کنند.

 

 

هوش مصنوعی Edge، برای اجرای یادگیری ماشین بر روی دستگاه‌های Edge

هوش مصنوعی Edge یا هوش Edge، ترکیبی از رایانش لبه‌ و هوش مصنوعی است و الگوریتم‌های پردازش داده را به طور لوکال (locally) روی سخت‌افزار اجرا می‌کند که به‌اصطلاح به آن‌ها دستگاه‌های Edge (Edge devices) گفته می‌شود؛ بنابراین هوش مصنوعی اج، یک نوع هوش مصنوعی فعال بر روی دستگاه (به صورت محلی) را فراهم می‌آورد تا بتواند از زمان واکنش سریع همراه با تأخیر کم، امنیت و حریم خصوصی بالا، نیرومندی بیشتر و استفاده از عرض باند به صورت کارآمدتر، بهره ببرد.

مسیر استفاده از هوش مصنوعی اج توسط تکنولوژی‌های نوظهوری مانند یادگیری ماشین (machine learning)، شتاب‌دهنده شبکه عصبی (neural network acceleration) و کاهش (reduction) هدایت می‌شود. رایانش لبه‌ای یادگیری ماشین (ML edge computing) امکاناتی را برای سیستم‌های هوش مصنوعی جدید، قوی و مقیاس‌پذیر در صنایع مختلف باز می‌کند.

در کل، این حوزه بسیار جدید بوده و دائماً در حال تکامل است. انتظار می‌رود هوش مصنوعی edge با جابه‌جایی مرزها و توانایی‌های هوش مصنوعی و نزدیک‌تر کردن آن به دنیای واقعی، آینده آن را هدایت کند.

 

 

دستگاه edge چیست؟

یک دستگاه اج (Edge Device) یا یک دستگاه نهایی (end device) است و یا یک سرور edge قادر به انجام وظایف محاسباتی بر روی خود دستگاه است؛ بنابراین دستگاه‌های Edge داده‌هایی که سنسورهای متصل جمع‌آوری کرده‌اند را پردازش می‌کند. برای مثال دوربین‌هایی که ویدئوها را به طور زنده برای ما فراهم می‌کنند.

هر رایانه یا سرور با طیف گسترده‌ای از پلتفرم‌ها، نمونه‌هایی از دستگاه‌های اج هستند. اساساً، هر رایانه‌ای با هر شکلی می‌تواند به‌عنوان یک دستگاه اج عمل کند، از لپ‌تاپ و تلفن همراه گرفته تا رایانه‌های شخصی، سامانه‌های نهان (embedded computers) یا سرورهای فیزیکی. پلتفرم‌های محاسباتی محبوب برای رایانش لبه‌‌ای عبارت‌اند از x86، x64 و یا ARM.

برای نمونه‌های کوچک‌تر، دستگاه‌های اج می‌توانند یک SoC (System on a chip یا سیستم روی تراشه) مانند نمونه‌های محبوب Raspberry Pi یا Intel NUC series باشند. چنین دستگاه‌های SoC تمام اجزای اساسی یک کامپیوتر شامل سی‌پی‌یو (CPU)، حافظه، کنترلر یو‌اس‌بی (USB controller) و جی‌پی‌یو (GPU) را یکپارچه می‌کنند. نمونه‌های مستحکم‌تر و قوی‌تر از دستگاه‌های اج نیز مانند NVIDIA Jetson tx2 یا Jetson nano، Google Coral و غیره وجود دارند.

در مقایسه با محاسبات رایج (Conventional Computing)، ML (یادگیری ماشین) به سخت‌افزار هوش مصنوعی بسیار قدرتمندی برای انجام کارهایش نیاز دارد. بااین‌حال، مدل‌های هوش مصنوعی در حال سبک‌تر و کارآمدتر شدن هستند. نمونه‌هایی از الگوریتم‌های محبوب تشخیص اشیا برای بینایی کامپیوتری عبارت‌اند از YOLOv3، YOLOR و یا YOLOv7. شبکه‌های عصبی مدرن نیز یک نسخه به‌خصوص و سبک‌تر شده (YOLOv7-tiny) دارند که برای اجرای یادگیری ماشین (ML) بر روی Edge بهینه شده است.

 

مزایای هوش مصنوعی Edge

برای غلبه بر مشکلات ذاتی ابر، مانند تأخیر بالا و مشکلات امنیتی، رایانش لبه‌ پردازش‌های هوش مصنوعی را از ابر به یک دستگاه نزدیک به خودمان می‌آورد؛ بنابراین انتقال محاسبات هوش مصنوعی به شبکه Edge موقعیت‌هایی جدید برای استفاده از قابلیت‌های هوش مصنوعی در محصولات و سرویس‌ها را به ما ارائه می‌دهد.

 

1.    حجم انتقال داده کمتر

داده توسط دستگاه Edge پردازش می‌شود و تنها مقدار کمی از داده پردازش شده به ابر ارسال می‌شود. با کاهش میزان ترافیک در سراسر اتصال بین یک بخش کوچک و شبکه اصلی، می‌توان پهنای باند اتصال را افزایش داد تا از گلوگاه‌ها (Bottlenecks) جلوگیری شود و میزان ترافیک در شبکه اصلی کاهش یابد.

 

2.    سرعت محاسبات آنی

محاسبات آنی یکی از اساسی‌ترین مزیت‌های رایانش لبه‌ای است. نزدیکی فیزیکی دستگاه‌های اج به منابع داده، دستیابی به تأخیر کمتری را ممکن می‌سازد که عملکرد پردازش داده‌ها را در لحظه بهبود می‌بخشد و قادر است از برنامه‌ها و خدمات حساس به تأخیر مانند جراحی از راه دور، اینترنت لمسی، وسایل نقلیه بدون سرنشین و پیشگیری از تصادفات خودرو پشتیبانی کند. طیف متنوعی از خدمات، از جمله پشتیبانی تصمیم (decision support)، تصمیم‌گیری، و تجزیه‌وتحلیل داده‌ها، می‌توانند توسط سرورهای اج به صورت آنی فراهم شوند.

 

3.    حریم خصوصی و امنیت

ازآنجایی‌که انتقال اطلاعات حساس کاربر از طریق شبکه‌ها آنها را در برابر سرقت و دست‌کاری‌شدن آسیب‌پذیر می‌کند، اجرای پردازش‌ها و داده‌ها روی Edge به ما اجازه می‌دهد آنها را امن نگه داریم. با رایانش لبه‌ای می‌توان تضمین کرد که داده‌های خصوصی هیچ‌گاه دستگاه محلی (local) را ترک نمی‌کنند.

برای مواردی که داده‌ها باید از راه دور پردازش شوند، می‌توان از دستگاه‌های اج برای حذف اطلاعات شخصی قبل از انتقال داده‌ها استفاده کرد و در نتیجه حریم خصوصی و امنیت کاربر را افزایش داد.

 

 

4.    در دسترس بودن

قابلیت‌های غیرمتمرکز و آفلاین هوش مصنوعی Edge با ارائه خدماتی در هنگام قطعی شبکه یا حملات سایبری، آن را قوی‌تر می‌کند؛ بنابراین قراردادن وظایف هوش مصنوعی بر روی Edge، دسترسی قابل‌توجه‌تر و استحکام کلی موردنیاز برای برنامه‌های کاربردی هوش مصنوعی را تضمین می‌کند.

 

5.    مزیت هزینه

انتقال پردازش‌های هوش مصنوعی بر روی Edge بسیار مقرون‌به‌صرفه است؛ زیرا لازم است فقط داده‌های پردازش شده و باارزش را به ابر ارسال کنیم. درحالی‌که ارسال و ذخیره حجم عظیمی از داده‌ها هنوز بسیار گران‌قیمت است. البته که دستگاه‌های کوچک Edge طبق قانون مور (Moore’s Law)، از نظر محاسباتی بسیار قدرتمندتر شده‌اند.

به‌طورکلی، یادگیری ماشین مبتنی بر Edge،  پردازش و تصمیم‌گیری آنی برای داده‌ها را بدون محدودیت‌های طبیعی محاسبات مبتنی بر ابر امکان‌پذیر می‌سازد. با رشد اهمیت حریم خصوصی داده‌ها و تغییرات نظارتی مانند GDPR (مقررات عمومی حفاظت از داده اتحادیه اروپا)،ML مبتنی بر Edge ممکن است به‌زودی تنها راه قابل‌دوام مشاغل برای استفاده از هوش مصنوعی در محصولات و خدمات باشد.

 

هوش مصنوعی Edge و شبکه 5G

نیاز فوری به 5G در زمینه‌های با رشد بالا مانند اتومبیل‌های کاملاً خودران، تجربیات واقعیت مجازی آنی (real-time virtual reality) و برنامه‌های کاربردی حیاتی، نوآوری را در رایانش لبه‌ای و هوش مصنوعی Edge بیشتر می‌کند. 5G نسل بعدی شبکه سلولی است که می‌خواهد به بهبود قابل‌توجهی در کیفیت خدمات، مانند توان عملیاتی بالاتر و تأخیر کمتر دست یابد و البته سرعت داده 10 برابر سریع‌تر از شبکه‌های 5G موجود را ارائه دهد.

برای درک نیاز به انتقال سریع داده‌ها و محاسبات محلی بر روی خود دستگاه، نرخ تحویل بسته آنی در بین خودروهای خودران را در نظر بگیرید که به تأخیر سرتاسر کمتر از 10 میلی ثانیه نیاز دارند. حداقل تأخیر کلی برای دسترسی به ابر بیش از 80 میلی‌ثانیه است که برای بسیاری از برنامه‌های کاربردی دنیای واقعی غیرقابل استفاده و نامناسب است.

رایانش لبه‌ نیاز کمتر از میلی‌ثانیه‌ای برنامه‌های 5G را برآورده می‌کند و مصرف انرژی را حدود 30 تا 40 درصد کاهش می‌دهد. این مصرف انرژی حدود 5 برابر کمتر از دسترسی به فضای ابری است. رایانش لبه‌ای و 5G عملکرد شبکه را برای پشتیبانی و استقرار برنامه‌های مختلف هوش مصنوعی آنی (real-time) بهبود می‌بخشد. به‌عنوان‌مثال، تجزیه‌وتحلیل ویدئوی آنی و مبتنی بر هوش مصنوعی برای نظارت و امنیت هوشمند، اتوماسیون تولید صنعتی یا کشاورزی هوشمند، که در آن انتقال داده با تأخیر کم یک نیاز بسیار مهم است.

 

دسترسی چندگانه (Multi-Access) رایانش لبه‌ای

دسترسی چندگانه رایانش لبه‌ یا MEC (Multi-Access Edge Computing) که همچنین به‌عنوان Mobile Edge Cloud نیز شناخته می‌شود، یک افزونه محاسبات ابری است که از 5G استفاده می‌کند. معماری MEC قابلیت‌های محاسباتی، ذخیره‌سازی و شبکه را در Edge و در نزدیکی دستگاه‌های نهایی (end-devices) و کاربران نهایی (end-users) فراهم می‌کند.

 

مزایای MEC

این فناوری نوظهور با پیشرفت سریع در کاربردها و قابلیت‌های 5G و IoT هدایت می‌شود، زیرا Multi-Access Edge Computing از برنامه‌ها و خدماتی پشتیبانی می‌کند که بین رایانش ابری (cloud computing) و کاربران نهایی (end-users)، پلی برقرار می‌کنند. معماری MEC شامل دستگاه‌ها و سیستم‌هایی است که به هم متصل‌اند، لایه‌لایه‌اند و البته انعطاف‌پذیر تعبیه شده‌اند.

تکنولوژی‌های MEC از سیستم‌های بی‌سیم 5G استفاده می‌کنند تا دسترسی آنی، با تأخیر کم و پهنای باند زیاد را برای دستگاه‌های متصل فراهم کنند.  بنابراین، MEC به اپراتورهای شبکه و ارائه‌دهندگان ارتباطات راه دور اجازه می‌دهد تا شبکه‌های 5G خود را با طیف گسترده‌ای از خدمات نوآورانه متحول کنند و در نتیجه باعث ایجاد یک اکوسیستم و زنجیره ارزش کاملاً جدید شوند.

 

استفاده از MEC در کاربردهای بینایی کامپیوتر

دسترسی چندگانه رایانش لبه‌، ادغام اینترنت اشیا (IoT) با معماری‌های 5G و هوش مصنوعی را ممکن می‌سازد. در موارد استفاده هوش مصنوعی Edge از MEC، دستگاه‌های مجازی می‌توانند جایگزین دستگاه‌های فیزیکی Edge شوند تا ویدئوهای زنده دوربین‌های متصل را از طریق یک ارتباط 5G پردازش کنند.

 

رایانش لبه‌ در مقابل رایانش‌ مه

رایانش مه (Fog Computing) اصطلاحی است که توسط سیسکو (Cisco) معرفی شد و ارتباط نزدیکی با رایانش لبه (Edge Computing) دارد. مفهوم رایانش مه مبتنی بر گسترش‌دادن ابر برای نزدیک‌تر شدن به دستگاه‌های پایانی (end-devices) اینترنت اشیا باهدف بهبود تأخیر و امنیت، با انجام محاسبات در نزدیکی لبه (Edge) شبکه است.

تفاوت اصلی بین رایانش مه و رایانش لبه مربوط به جایی است که داده در آن پردازش می‌شود؛ در پردازش لبه داده‌ها یا مستقیم در همان دستگاه‌هایی که سنسورها به آنها متصل هستند، پردازش می‌شوند و یا در غیر این صورت عمل پردازش، در دستگاه‌های فیزیکی که در نزدیکی سنسورها قرار دارند صورت می‌گیرد. در مدل مه، داده‌ها دورتر از Edge، در دستگاه‌هایی که با استفاده از کابل‌های محلی شبکه (کابل‌های لن یا LAN) متصل هستند، پردازش می‌شوند.

 

 

یادگیری عمیق در Edge

انجام وظایف یادگیری عمیق (Deep Learning) معمولاً به قدرت محاسباتی و مقدار داده زیادی نیاز دارد. دستگاه‌های IoT کم‌توان، مانند دوربین‌های معمولی، منابع مستمر داده‌ها هستند. بااین‌حال، حافظه و توانایی محاسباتی محدودشان، آنها را برای آموزش و استفاده مدل‌های یادگیری عمیق، غیرقابل‌استفاده می‌کند. اما تکنولوژی هوش مصنوعی Edge با استفاده از ترکیب یادگیری عمیق و رایانش لبه راه‌حلی برای این مشکل پیدا می‌کند.

بنابراین، دستگاه‌ها یا سرورهای Edge در نزدیکی دستگاه‌های پایانی قرار می‌گیرند و برای استفاده مدل‌های یادگیری عمیق که بر روی داده‌های تولید شده توسط اینترنت اشیا، کار می‌کنند، استفاده می‌شوند. رایانش لبه ML، یکی از مهم‌ترین موضوعات برای کاربردهای بینایی کامپیوتر (CV) است که شامل داده‌های سنگین مانند ویدئوها و پردازش زبان‌های طبیعی (natural language processing) می‌شود (که البته به پردازش آنی و در لحظه نیاز دارند).

 

 

کاربردهای هوش مصنوعی Edge

با هوش مصنوعی Edge، می‌توان کاربردهای از هوش مصنوعی مقیاس‌پذیر، حیاتی و خصوصی را فراهم کرد. ازآنجایی‌که هوش مصنوعی Edge هنوز یک فناوری بسیار جدید است، در آینده‌ای نزدیک می‌توانیم انتظار کاربردهای بیشتری را داشته باشیم.

• بینایی هوش مصنوعی (Smart AI Vision) شامل کاربردهای بینایی کامپیوتر مانند تجزیه‌وتحلیل ویدئو زنده است که برای تقویت سیستم‌های بینایی هوش مصنوعی در صنایع مختلف استفاده می‌شوند. اینتل کمک‌پردازنده‌های (Coprocessor) ویژه‌ای به نام Visual Processing Units را توسعه داد تا برنامه‌های بینایی کامپیوتر با کارایی بالا را برای دستگاه‌های Edge تقویت کند.
• کاربردهای انرژی هوشمند (Smart Energy) مانند نیروگاه‌های بادی متصل. در یک مطالعه، مدیریت داده‌ها و هزینه‌های پردازش یک نیروگاه بادی از راه دور و با استفاده از یک سیستم فقط ابری (cloud-only) در مقابل یک سیستم ترکیبی لبه – ابر (edge-cloud) بررسی شد. این نیروگاه از چندین سنسور که داده‌ها را تولید می‌کنند، استفاده می‌کند. این سنسورها عبارت‌اند از دوربین‌های نظارت تصویری، سنسورهای امنیتی،  سنسورهای کنترل دسترسی (access sensors) برای کارمندان و سنسورهایی که در توربین‌های بادی قرار دارند. در مقایسه با سیستم‌های فقط ابری، سیستم‌های لبه – ابر 36% هزینه کمتری داشتند. درحالی‌که برای سیستم‌های لبه – ابر، حجم داده‌های موردنیاز برای انتقال تا 96% کاهش یافت.
• مراقبت‌های بهداشتی با هوش مصنوعی مانند جراحی و تشخیص از راه دور، و همچنین نظارت بر علائم حیاتی بیمار، بیشتر مبتنی بر دستگاه‌های Edge هستند که هوش مصنوعی را در Edge اجرا می‌کنند. پزشکان می‌توانند از یک پلتفرم برای استفاده از ابزارهای جراحی از راه دور استفاده کنند. پلتفرمی که در آن احساس امنیت و راحتی داشته باشند.
• کاربردهای سرگرمی در این بخش شامل واقعیت مجازی (virtual reality)، واقعیت افزوده (augmented reality) و واقعیت ترکیبی (mixed reality) است، مانند پخش محتوای ویدئویی در عینک واقعیت مجازی. سایز و اندازه این‌گونه عینک‌ها را می‌توان با انتقال بخش محاسبات به خارج از عینک و به یک سرور Edge در همان نزدیکی، کاهش داد. به‌عنوان‌مثال، مایکروسافت اخیراً هولولنز (HoloLens) را معرفی کرده است، یک کامپیوتر هولوگرافیک که برای تجربه واقعیت افزوده بر روی یک هدست ساخته شده است. هدف مایکروسافت طراحی محاسبات استاندارد، تجزیه‌وتحلیل داده‌ها، تصویربرداری پزشکی و ابزارهای پیشرفته بازی با استفاده از هولولنز است.
• کارخانه‌های هوشمند با کاربردهایی مانند ماشین‌های هوشمند، در پی بهبود ایمنی و بهره‌وری هستند. برای مثال اپراتورها می‌توانند از پلتفرم‌هایی استفاده کنند تا از راه دور ماشین‌های سنگین را کنترل کنند. در واقع اپراتورها می‌توانند از مکانی امن و راحت، ماشین‌آلات را در مکان‌های ناامن و خطرناک، کنترل کنند.
• سیستم‌های حمل‌ونقل هوشمند که رانندگان می‌توانند اطلاعاتی را در مراکز اطلاعات ترافیکی به اشتراک بگذارند و یا جمع‌آوری کنند تا بتوانند در لحظه از وسایل نقلیه‌ای که در خطر هستند یا به طور ناگهانی توقف می‌کنند، دوری کنند و بتوانند از وقوع تصادفات جاده‌ای جلوگیری کنند. علاوه بر این‌ها وسایل نقلیه بدون سرنشین می‌توانند محیط اطراف خود را درک و به صورت ایمن در آن حرکت کنند.

 

نرم‌افزارهای هوش مصنوعی Edge

با حرکت یادگیری ماشین از ابر به Edge، هم‌زمان پیچیدگی آن نیز افزایش می‌یابد. درحالی‌که ابر می‌تواند به APIها تکیه کند، هوش مصنوعی اج به قابلیت‌های اینترنت اشیا نیاز دارد که برای مدیریت دستگاه‌های فیزیکی Edge، نیاز به اتصال به ابر دارند (اج به ابر).

بنابراین، نرم‌افزارهای هوش مصنوعی اج معمولاً شامل یک بخش ابری برای هماهنگی بخش Edge است. این قسمت شامل چندین اتصال Edge است که به ابر متصل می‌شوند. اتصال اج به ابر نه‌تنها برای مدیریت تعداد بالایی از endpointها، بلکه برای ارائه به‌‌روزرسانی‌ها و پچ‌های امنیتی (security patches)، مهم است.

معماری Edge به قابلیت‌های آفلاین، استقرار و به‌روزرسانی از راه دور، نظارت بر دستگاه اج و دسترسی به داده‌های ایمنی که در سیستم وجود دارند و یا در حال ارسال و دریافت‌اند، نیاز دارد. یادگیری ماشینی که بر روی خود دستگاه اجرا می‌شود، نیاز به سخت‌افزار هوش مصنوعی و تراشه‌های بهینه شده رایانش لبه دارد تا بتواند داده‌های سنسورها و دوربین‌ها را به طور کارآمد پردازش کند.

 

قدم بعد چیست؟

رایانش لبه (Edge Computing) برای کاربردهای هوش مصنوعی در دنیای واقعی ضروری است، زیرا مدل رایانش ابری سنتی برای برنامه‌های هوش مصنوعی که از نظر محاسباتی عظیم هستند و به مقادیر زیادی داده نیاز دارند، مناسب نیست.

شما می‌توانید با مراجعه به دیگر مقالات ذکر شده در مجله هم‌رویش، به یادگیری خود در این زمینه ادامه دهید.

 

 

کلیدواژگان

هوش مصنوعی Edge , هوش مصنوعی اج , Edge AI , هوش مصنوعی Edge چیست , درباره هوش مصنوعی Edge , درباره هوش مصنوعی اج , Edge AI چیست , رایانش لبه , رایانش لبه چیست , کاربردهای رایانش لبه , edge computing , edge computing چیست , کاربردهای edge computing

 

منبع

Edge AI – Driving Next-Gen AI Applications in 2024?