YOLO 라이선스 받기
Ultralytics 플랫폼

Gemini 4 Hydrogen 자동 어노테이션: 토큰당 비용은 저렴하고 이미지당 비용은 더 높습니다

Gemini 4 Hydrogen은 36개 데이터셋 객체 탐지 벤치마크에서 46개 VLM 중 3위를 차지했으며, 0.553 mAP50을 기록하고 식물 질병, 해상 구조, X선 분야에서 최고 점수를 기록했습니다.

Glenn JocherGlenn Jocher12 분 읽기
Ultralytics Platform 타일에 UL37 객체 탐지 벤치마크 종합 점수인 0.553 mAP50이 표시된 Google Gemini 4 Hydrogen 출시 아트워크

Gemini 4 Hydrogen은 2026년 11월 12일 업데이트된 Ultralytics VLM 리더보드의 UL37 자동 어노테이션 순위에서 46개 모델 중 3위를 차지했습니다. UL37은 36개 데이터셋으로 구성된 객체 탐지 벤치마크입니다. Gemini 4 Hydrogen은 0.553 mAP50과 0.350 mAP50-95를 기록해 Gemini 4 Carbon(0.584)과 GPT-6.1 Terra(0.560)에 이어 3위에 올랐으며, Claude Fable 5.2와 Gemini 4 Argon보다 높은 점수를 기록했습니다. 또한 PlantDoc(식물 질병), SeaDronesSee 2(해상 수색 및 구조), IEDXray(보안 X선)에서 최고 점수를 기록하고 Kvasir-SEG와 EgoHands에서는 공동 최고 점수를 기록했습니다.

Google은 11월 12일 빠르고 비용 효율적인 Gemini 4 모델인 Hydrogen을 출시했으며, 이제 Ultralytics Platform에서 자동 어노테이션에 사용할 수 있습니다. Google은 Hydrogen을 코딩과 에이전트용 모델로 소개하지만, UL37은 Hydrogen이 바운딩 박스를 얼마나 잘 그리는지 측정합니다.

아래에서 Hydrogen의 전체 및 데이터셋별 결과, 토큰 사용량이 이미지당 비용에 미치는 영향, 그리고 Platform에서 자체 데이터셋으로 Hydrogen을 실행하는 방법을 확인할 수 있습니다.

Gemini 4 Hydrogen 객체 탐지: UL37에서 3위#

UL37은 갑상선 초음파와 열화상 드론 영상부터 소매점 선반, 평면도, 회로 기판까지 다양한 실제 객체 탐지 데이터셋 36개에서 각각 10장씩, 총 360장의 이미지에 대해 모델의 바운딩 박스가 사람의 라벨과 얼마나 일치하는지 측정합니다. 모든 이미지는 데이터셋 고유의 클래스명을 사용해 Platform 사용자가 이용하는 것과 동일한 파이프라인으로 처리되며, 모든 데이터셋에 동일한 가중치가 적용됩니다. 평가 방법론은 공개되어 있습니다.

Hydrogen의 0.553 mAP50은 선두 모델보다 0.031, Terra보다 0.007 낮습니다. Google의 다른 모델 및 가장 근접한 경쟁 모델과 비교한 순위는 다음과 같습니다.

모델UL37 mAP50토큰 100만 개당 가격(입력 / 출력)제공업체 비용(이미지 1,000장당)
Gemini 4 Carbon0.58411월 30일까지 $2.00 / $10.00, 이후 $4.00 / $20.00$12.93(12월 1일부터 약 $25.87)
GPT-6.1 Terra0.560$1.00 / $5.00$4.36
Gemini 4 Hydrogen0.553$1.50 / $7.50$20.32
Claude Fable 5.20.544$8.00 / $40.00$37.55
Gemini 4 Argon0.53711월 30일까지 $2.00 / $10.00, 이후 $4.00 / $20.00$7.60(12월 1일부터 약 $15)
Gemini 3.8 Flash0.51612월 31일까지 $0.75 / $3.75, 이후 $1.50 / $7.50$5.86(1월 1일부터 약 $11.72)

제공업체 비용은 각 제공업체가 보고한 토큰 사용량에 표시된 요금을 적용해 계산합니다. Batch Annotation은 모든 모델에 대해 이미지 1,000장당 $1.00의 Platform 처리 수수료를 추가합니다.

2026년 11월 16일 기준 가격입니다. Google의 Hydrogen 출시 게시물에는 입력 토큰 100만 개당 $1.50, 출력 토큰 100만 개당 $7.50으로 명시되어 있습니다. Google의 Carbon 출시 게시물에는 Carbon의 2026년 11월 30일까지 적용되는 출시 기념 가격과 이후 적용되는 $4.00 및 $20.00 요금이 명시되어 있습니다. Google의 Gemini API 가격 페이지에는 Gemini 4 Argon에도 동일한 가격 변경이 명시되어 있고, Flash 게시물에는 Gemini 3.8 Flash의 2026년 12월 31일까지 적용되는 출시 기념 가격과 2027년 1월 1일부터 적용되는 $1.50 및 $7.50 요금이 명시되어 있습니다. 표의 이후 가격은 동일한 벤치마크 토큰 사용량에 발표된 요금을 적용한 추정치이며, 새로 실행해 얻은 결과가 아닙니다.

실행 결과에서 확인된 Hydrogen의 다른 지표는 다음과 같습니다. 바운딩 박스의 정밀한 적합도까지 반영하는 mAP50-95는 0.350으로, Carbon의 0.371에 이어 2위입니다. 정밀도는 0.63, 재현율은 0.62였으며, 요청 실패와 거부 응답은 없었고 이미지당 중앙값 처리 시간은 7.2초였습니다.

Google이 Hydrogen을 개발한 목적#

Google의 출시 게시물에 따르면 Hydrogen은 “다양한 에이전트 워크플로 전반에서 빠르게 실행되도록 설계되었으며”, Carbon과 Argon은 “가장 어려운 문제에 대해 장기간에 걸친 심층 추론을 수행하는 데 탁월합니다.” Hydrogen의 컨텍스트 윈도우는 100만 토큰이며, 전체 컨텍스트 윈도우에서 입력 토큰 100만 개당 $1.50, 출력 토큰 100만 개당 $7.50의 요금이 적용됩니다. 추론 수준은 low, medium, high(기본값), 새로 추가된 xhigh의 네 가지입니다.

Google에 따르면 Hydrogen은 기본 high 설정에서 Artificial Analysis Intelligence Index 51점을 기록해 Argon보다 1점 높았고, xhigh 설정에서는 54점을 기록했습니다. Google은 Hydrogen을 Gemini 3.8 Flash에서 이전하는 팀을 위한 주요 업그레이드로 소개하며, Terminal-Bench 4.1에서 Flash의 18.2%와 비교해 57%를 기록했다고 밝혔습니다. 이 수치 중 어느 것도 바운딩 박스 성능을 측정하지 않기 때문에 UL37을 실행합니다.

UL37에서 Gemini 4 Hydrogen과 Gemini 3.8 Flash 비교#

Gemini 3.8 Flash는 UL37에서 0.516 mAP50을 기록하므로, Hydrogen은 동일한 이미지와 파이프라인에서 0.037 더 높은 점수를 기록합니다. 이는 Argon과 Carbon 간 격차인 0.047의 약 5분의 4에 해당합니다. 리더보드에서 Hydrogen은 3위, Flash는 8위입니다.

또한 Claude Fable 5.2보다 0.009 높은 점수를 기록하면서 이미지당 비용은 Fable의 절반을 조금 넘는 수준이며, Gemini 4 Argon보다 0.016 높습니다. 다만 Argon의 이미지 1,000장당 비용은 $7.60입니다.

Gemini 4 Hydrogen 모델 페이지의 탐지 정확도 차트. UL37 mAP50 기준 모델 순위를 표시하고 Hydrogen을 3위로 강조합니다

2026년 11월 14일 기준 Gemini 4 Hydrogen 모델 페이지의 UL37 mAP50. Hydrogen이 3위로 강조되어 있습니다.

토큰 사용량이 이미지당 비용에 미치는 영향#

비전 언어 모델은 입력 이미지와 프롬프트뿐 아니라 답변을 작성할 때 생성하는 모든 토큰과 답변 전에 수행하는 추론 토큰에도 요금을 부과합니다. 토큰 요금이 비슷한 두 모델이라도 한 모델이 더 많은 토큰을 사용하면 이미지당 비용은 상당히 달라질 수 있습니다.

Hydrogen의 토큰 가격은 입력과 출력 모두 Carbon의 출시 기념 가격의 정확히 75%입니다. 두 모델이 이미지당 동일한 토큰 수를 사용한다면 Hydrogen의 이미지 1,000장당 비용은 약 $9.70입니다. 실제 비용은 $20.32이므로 Hydrogen의 실행에서는 이미지당 가격 가중 토큰을 Carbon보다 약 두 배 더 사용했습니다. 현재 가격이 Hydrogen의 정확히 절반인 Gemini 3.8 Flash와 비교해도 같은 계산 결과, Hydrogen은 이미지당 Flash보다 가격 가중 토큰을 약 1.7배 더 사용했습니다.

Google은 복잡한 그래프, SQL 및 데이터 중심 워크플로에 대한 초기 파트너 테스트에서 Hydrogen이 3.8 Flash보다 토큰을 12%~23% 적게 사용했다고 밝혔습니다. 하지만 어노테이션은 이미지 하나에 구조화된 답변 하나를 생성하는 별개의 작업이며, UL37에서 Hydrogen은 이미지당 가격 가중 토큰을 더 많이 사용했습니다. 이미지당 중앙값 처리 시간은 7.2초로, Terra의 5.1초와 Argon의 4.6초보다 길었습니다.

2026년 11월 16일 기준 UL37 이미지 1,000장당 제공업체 비용입니다. Terra와 Hydrogen에는 정가를 적용하고, Carbon에는 출시 기념 가격인 $2 / $10을 적용했으며, 동일한 토큰 사용량에 발표된 $4 / $20 요금을 적용한 추정 비용도 함께 표시했습니다.

이미지 1,000장당 비용은 토큰 요금과 해당 작업에서 모델이 사용하는 토큰 수를 합산해 계산하므로, 자체 데이터셋에서 대표 이미지 몇 장을 사용해 확인하는 것이 가장 적절한 추정 방법입니다. Platform의 리더보드와 유료 모델 페이지에는 이미지 1,000장당 제공업체 비용이 표시되며, 나머지 라벨링 예산에 대한 내용은 이미지 어노테이션 소프트웨어 비용 가이드에서 확인할 수 있습니다.

Gemini 4 Hydrogen이 최고 점수를 기록한 분야: 식물, 해상 구조, X선#

36개 데이터셋의 평균은 모델이 우위를 보이는 데이터셋을 감춥니다. Gemini 4 Hydrogen 모델 페이지에는 각 데이터셋의 점수가 나와 있습니다. Hydrogen은 46개 모델 중 3개 데이터셋에서 최고 점수를 기록하고, 다른 2개 데이터셋에서는 공동 최고 점수를 기록했습니다.

식물 질병. 건강하거나 병든 작물 잎을 29개 클래스로 구분하는 PlantDoc에서 Hydrogen은 0.638점을 기록해 해당 데이터셋에서 최고 성능을 보였습니다. 이전 최고 점수를 기록한 Carbon은 0.594점을 기록했습니다. 자세한 내용은 Gemini 4 Carbon 결과에서 확인할 수 있습니다.

해상 수색 및 구조. 바다 위의 수영자, 보트, 인명 구조 장비를 촬영한 드론 영상으로 구성된 SeaDronesSee 2에서 Hydrogen은 0.596점을 기록해 Carbon의 0.564점과 Terra의 0.476점보다 높은 성능을 보였습니다.

SeaDronesSee 2 데이터셋의 드론 해상 영상. Gemini 4 Hydrogen이 예측한 바운딩 박스가 보트 한 척, 수영자 세 명, 제트스키 한 대를 둘러싸고 있습니다

모델 페이지의 예측 결과에 표시된 SeaDronesSee 2 벤치마크 이미지에서 Gemini 4 Hydrogen이 생성한 바운딩 박스입니다.

보안 X선. 수하물 X선 영상에서 은닉된 폭발 장치 부품을 탐지하는 IEDXray에서 Hydrogen은 0.315점을 기록해 Carbon의 0.282점보다 높았습니다. 모든 모델의 점수가 낮으므로, 이 결과는 바로 사용할 수 있는 검색기가 아니라 난도가 높은 데이터셋에서 가장 나은 성능을 보인 것으로 해석해야 합니다.

용종 내시경. Kvasir-SEG에서 Hydrogen은 0.805점을 기록해 해당 데이터셋의 최고 점수와 공동 1위를 차지했습니다. Terra는 0.71점, Carbon은 0.65점을 기록했습니다. Terra의 의료 영상 결과에 대한 자세한 내용은 GPT-6.1 Terra 결과에서 확인할 수 있습니다.

손. 손을 촬영한 1인칭 영상인 EgoHands에서 Hydrogen은 0.995점을 기록해 GPT-6 Astra와 공동 최고 점수를 기록했습니다.

반례: 갑상선 초음파. 각 결절을 양성 또는 악성으로 라벨링하는 TN5000에서 Hydrogen은 0.704점을 기록했고, Carbon은 0.537점을 기록했습니다. Gemini 3.8 Flash(0.88)와 Terra(0.935)는 모두 이 데이터셋에서 더 높은 점수를 기록했습니다. Hydrogen은 기판만 있는 PCB 결함(DeepPCB, 0.000), 결핵 X선(TBX11K, 0.013), 소프트웨어 UI 요소(GroundCUA, 0.021)에서도 거의 0에 가까운 점수를 기록했습니다.

의료 영상 분석에서는 어떤 모델이 생성한 바운딩 박스든 임상 전문가가 확인하고 승인해야 하는 초안으로만 취급해야 하며, 진단으로 간주해서는 안 됩니다.

Gemini 4 Hydrogen 모델 페이지의 데이터셋별 결과 표. 각 데이터셋의 UL37 mAP50, 정밀도, 재현율을 표시합니다

2026년 11월 14일 기준 Gemini 4 Hydrogen 모델 페이지에 표시된 데이터셋별 UL37 결과입니다.

각 데이터셋은 이미지 10장만 반영하므로, 단일 행의 결과는 판정이 아니라 자체 이미지로 테스트해 볼 단서로 해석해야 합니다. 후보 모델을 추린 후 오탐 바운딩 박스와 누락 객체 중 어느 쪽에 더 비중을 둘지 판단하는 방법은 정밀도와 재현율을 기준으로 VLM 선택하기 가이드에서 설명합니다.

데이터셋에서 Gemini 4 Hydrogen 자동 어노테이션을 실행하는 방법#

Hydrogen은 클래스 프롬프트를 사용하는 모델로, 클래스가 1~200개인 탐지 데이터셋을 지원합니다. 데이터셋 고유의 클래스명으로 바운딩 박스를 반환하며, 학습 전에 사용자가 결과를 검토합니다.

  1. Google AI Studio에서 Gemini API 키를 만듭니다.
  2. 워크스페이스 소유자에게 데이터셋이 있는 Platform 워크스페이스의 Settings > API Keys에 키를 추가해 달라고 요청합니다. Google이 키 사용 요금을 직접 청구하며, 자세한 내용은 제공업체 키 문서에서 확인할 수 있습니다.
  3. 어노테이션 편집기에서 이미지를 열고 Smart 모드로 전환한 다음, 모델 선택 메뉴의 Google 항목에서 Gemini 4 Hydrogen을 선택합니다.
  4. Predict를 누르거나 P을 실행해 현재 이미지에 라벨을 지정합니다. 제공업체가 비용 추정치를 반환하면 각 예측 후 표시되는 토스트 메시지에서 비용을 확인할 수 있으므로, 대표 이미지 몇 장을 사용하면 자체 데이터의 비용을 가늠할 수 있습니다.
  5. 데이터셋 페이지에서 More actions > Batch Annotation을 선택하면 라벨이 없는 모든 이미지에 한 번에 라벨을 지정할 수 있습니다. Estimated Cost를 확인하고 Start를 클릭합니다. Platform은 먼저 데이터셋 버전을 저장하므로 롤백할 수 있으며, 기존 라벨은 변경되지 않습니다.
  6. 바운딩 박스를 검토하고 수정한 다음, 동일한 워크스페이스에서 클라우드 학습을 사용해 결과물로 Ultralytics YOLO26 모델을 학습합니다.

이러한 모델이 편집기에서 어떻게 사용되는지 자세히 알아보려면 Ultralytics Platform이 AI를 활용해 어노테이션을 자동화하는 방식과 휴먼 인 더 루프 검토가 워크플로의 일부로 유지되는 이유를 확인하세요.

Gemini 4 Hydrogen의 활용 분야#

현재 Gemini 3.8 Flash로 라벨링하는 팀이라면 Google의 빠른 모델 라인업에 속한 Hydrogen을 사용해 UL37에서 0.037 mAP50을 높일 수 있습니다. Hydrogen의 모델 페이지에서 PlantDoc 최고 점수와 Kvasir-SEG 공동 최고 점수를 비롯해 모든 데이터셋의 결과를 확인할 수 있습니다. 결과는 데이터셋에 따라 달라지므로 대표 이미지에서 테스트하고 Batch Annotation을 실행하기 전에 바운딩 박스와 예상 비용을 확인하세요.

모든 모델의 정확도, 비용, 속도를 비교하려면 VLM 리더보드를 확인하세요. Qwen3.8 27B 및 SAM 3.1 Text와 같은 호스팅 모델은 API 키가 전혀 필요하지 않습니다.

자주 묻는 질문

  • 실제 탐지 데이터셋 36개로 구성된 UL37 벤치마크에서 Gemini 4 Hydrogen은 0.553 mAP50을 기록해 Ultralytics VLM 리더보드에서 Gemini 4 Carbon(0.584)과 GPT-6.1 Terra(0.560)에 이어 3위를 차지했습니다. mAP50-95는 0.350으로 Carbon에 이어 2위이며, PlantDoc, SeaDronesSee 2, IEDXray에서 46개 모델 중 최고 점수를 기록했습니다.

  • 벤치마크에서 Google의 토큰 요금은 2026년 11월 16일 기준 Hydrogen 정가인 입력 토큰 100만 개당 $1.50, 출력 토큰 100만 개당 $7.50을 적용해 이미지 1,000장당 $20.32였습니다. Ultralytics Platform의 Batch Annotation은 이미지 1,000장당 $1.00을 추가하며, 토큰 요금은 Google이 사용자의 키에 직접 청구합니다.

  • Hydrogen의 토큰당 가격은 Carbon 출시 기념 가격의 75%이지만, UL37에서 Hydrogen은 이미지당 가격 가중 토큰을 약 두 배 더 사용해 이미지 1,000장당 비용이 $20.32로 Carbon의 $12.93보다 높았습니다. 12월 1일부터 적용된다고 발표된 Carbon 가격을 적용하면, 같은 Carbon 사용량의 비용은 약 $25.87입니다.

  • UL37에서 Carbon은 0.584 mAP50, Hydrogen은 0.553을 기록해 차이는 0.031입니다. Hydrogen은 PlantDoc, SeaDronesSee 2, IEDXray, Kvasir-SEG, EgoHands, TN5000에서 Carbon보다 높은 점수를 기록했습니다. 자체 이미지에서의 성능은 다를 수 있으므로 대량 작업을 시작하기 전에 샘플에서 두 모델을 모두 테스트하세요.

  • UL37에서 GPT-6.1 Terra는 0.560 mAP50, Hydrogen은 0.553, GPT-6.1 Sol은 0.514를 기록했습니다. Hydrogen은 0.350 mAP50-95를 기록해 Terra의 0.345와 Sol의 0.318보다 높았으며, PlantDoc, SeaDronesSee 2, Kvasir-SEG에서는 Terra보다 높은 점수를 기록했습니다. 반면 Terra는 TN5000 갑상선 초음파에서 Hydrogen의 0.704보다 높은 0.935를 기록했습니다. Terra의 강점은 GPT-6.1 Terra 결과에서 자세히 확인할 수 있습니다.

  • UL37에서 Hydrogen은 0.553 mAP50을 기록해 Flash의 0.516보다 높았습니다. 실행 결과에서 이미지 1,000장당 제공업체 비용은 Hydrogen이 $20.32, Flash가 출시 기념 가격 기준 $5.86이었습니다. Google에 따르면 Flash의 출시 기념 가격은 12월 31일에 종료됩니다. 2027년 1월 1일부터 적용되는 발표된 가격으로 동일한 Flash 사용량을 계산하면 비용은 약 $11.72입니다.

  • 예. 워크스페이스 소유자가 데이터셋이 있는 워크스페이스의 Settings > API Keys에서 Google AI Studio의 Gemini API 키를 추가해야 하며, Google은 해당 키에 연결된 계정에 직접 요금을 청구합니다. 제공업체 키 없이 라벨을 지정하려면 Qwen3.8 27B 또는 SAM 3.1 Text와 같은 호스팅 모델이나 자체 YOLO 모델을 사용하세요.

작성자

Glenn Jocher
Glenn Jocher

창립자 겸 CEO · Ultralytics

Glenn Jocher는 Ultralytics의 창립자 겸 CEO로, 전 세계에서 가장 널리 도입된 컴퓨터 비전 모델인 Ultralytics YOLO의 개발을 이끌고 있습니다. 그의 업무는 더 빠르고 정확한 모델을 만드는 데 그치지 않고, 누구나 비전 AI를 활용해 의미 있는 문제를 해결할 수 있도록 지원하는 데 있습니다.

댓글

질문하거나 결과를 공유하거나 다른 사람을 도와주세요.

솔루션 살펴보기

스포츠 분야의 컴퓨터 비전

스포츠 분야의 컴퓨터 비전

Ultralytics YOLO가 선수 및 공 추적, 경기력 분석, 코칭 인사이트, 선수 재활을 통해 스포츠 비전을 구현하는 방법을 알아보세요.
자세히 알아보기
항공 이미지 컴퓨터 비전

항공 이미지 컴퓨터 비전

Ultralytics YOLO를 활용해 드론 및 항공 이미지를 농업, 양식업, 보전, 지리 공간 분석을 위한 실시간 인사이트로 전환하세요.
자세히 알아보기
항공우주 분야의 컴퓨터 비전

항공우주 분야의 컴퓨터 비전

Ultralytics YOLO를 활용해 항공기 검사, 활주로 FOD 감지, 공항 지상 운영, 복합재 결함 감지 등 항공우주 분야에 컴퓨터 비전을 적용하세요.
자세히 알아보기
보안 분야의 컴퓨터 비전

보안 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 모든 시설을 보호하세요. Vision AI는 경계 모니터링, 위협 감지, 번호판 인식, 작업장 안전을 지원합니다.
자세히 알아보기
로보틱스 분야의 컴퓨터 비전

로보틱스 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 더 스마트한 머신을 구현하세요. 로보틱스 분야의 Vision AI는 자율 주행, 인식, 객체 추적, 실시간 제어를 지원합니다.
자세히 알아보기
물류 분야의 컴퓨터 비전

물류 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 물류를 간소화하세요. 비전 AI는 화물 검사, 분류, 차량 추적, 실시간 창고 안전 모니터링을 지원합니다.
자세히 알아보기
리테일 분야의 컴퓨터 비전

리테일 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 리테일의 새로운 가능성을 열어 보세요. 비전 AI는 재고 추적, 선반 모니터링, 대기열 관리, 더욱 심층적인 고객 인사이트를 지원합니다.
자세히 알아보기
의료 분야의 컴퓨터 비전

의료 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 의료 솔루션을 구축하세요. 의료 분야의 비전 AI는 의료 영상 판독을 가속화하고, 진단을 개선하며, 환자 모니터링을 지원합니다.
자세히 알아보기
제조 분야의 컴퓨터 비전

제조 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 제조 공정을 최적화하세요. 비전 AI는 품질 관리, 결함 탐지, PPE 규정 준수, 조립 라인 자동화를 지원합니다.
자세히 알아보기
자동차 분야의 컴퓨터 비전

자동차 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 자동차 분야에 컴퓨터 비전을 적용하세요. 비전 AI는 도로 안전, 운전자 지원, 차량 자동화를 개선해 더 스마트한 도로를 구현합니다.
자세히 알아보기
농업 분야의 컴퓨터 비전

농업 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 스마트 농업에 비전 AI를 도입하세요. 작물 모니터링, 가축 추적, 정밀 농업을 지원하여 더 높은 수확량과 더 스마트한 농업을 실현합니다.
자세히 알아보기

함께 AI의 미래를 만들어 가세요!

머신러닝의 미래와 함께 여정을 시작하세요