• Reconocimiento de entidades nombradas (Named entity recognition, NER): Etiquetado de entidades como nombres, ubicaciones, fechas u objetos específicos dentro del texto.
• Análisis de sentimiento: Etiquetado de datos de texto con las emociones u opiniones expresadas en reseñas o comentarios.
• Etiquetado de intención: Identificar el propósito detrás de un texto, como categorizar las consultas de los usuarios en un sistema de chatbot.
• Evaluación de la calidad del contenido: Evaluar y anotar el contenido textual para evaluar la calidad y la relevancia para tareas específicas de IA, como la recuperación de información o la moderación de contenido.

• Cuadros delimitadores: Dibujar rectángulos alrededor de objetos de interés, como vehículos, personas y animales, para modelos de detección de objetos.
• Polígonos y polilíneas: Anotación de formas más complejas, como carriles en carreteras, para vehículos autónomos mediante polilíneas.
• Segmentación semántica: Etiquetar cada píxel de una imagen para categorizar regiones, como identificar diferentes partes de una escena callejera con veredas, autos y peatones.
• Segmentación de instancias: Etiquetar cada píxel de una imagen para diferenciar instancias de la misma categoría, como varias personas en una imagen.

• Seguimiento de objetos: Seguimiento de objetos a medida que se mueven a través de los fotogramas de un vídeo para comprender su comportamiento.
• Reconocimiento de actividad: Etiquetado de acciones, como correr, sentarse y saltar, para análisis de comportamiento en sistemas de vigilancia o análisis deportivos.
• Detección de carriles: Anotación de las líneas de carril en videos para que los VA (vehículos autónomos) puedan navegar de forma segura.

• Transcripción: Conversión de palabras habladas en archivos de audio a texto para aplicaciones de PLN.
• Clasificación de audio: Categorizar sonidos, como música, habla humana y sonidos de animales, en grabaciones.
• Etiquetado de intención y sentimiento: Etiquetar recortes de audio con la intención o el sentimiento expresado en el habla; esto es útil para crear bots de atención al usuario.

• Cuboides 3D: Anotación de objetos en el espacio 3D utilizando cuboides para representar vehículos, peatones u otras entidades capturadas por sensores de detección y medición de distancias por luz (Light Detection and Ranging, LiDAR).
• Fusión de sensores: Integración de múltiples tipos de sensores, como datos de radar y LiDAR, para etiquetar objetos con precisión para la toma de decisiones en tiempo real en vehículos autónomos.
• Etiquetado de metadatos: Anotar información adicional, como la velocidad, la dirección y el tamaño del objeto, para enriquecer el conjunto de datos para análisis avanzados.

Anotar grandes conjuntos de datos requiere muchos recursos, especialmente al abordar tareas complejas como la segmentación semántica o el seguimiento de objetos 3D. Escalar el proceso de anotación manteniendo la calidad es un desafío fundamental.

Los anotadores humanos deben ser consistentes en su etiquetado, ya que incluso las variaciones menores pueden afectar el rendimiento del modelo. Esto requiere programas de entrenamiento exhaustivos y controles de calidad continuos para minimizar los errores.

El manejo de datos sensibles, como historiales médicos o información personal, requiere el cumplimiento de las normativas de privacidad y una infraestructura segura. Las plataformas de anotación deben implementar medidas de seguridad sólidas para proteger la integridad de los datos.

Los datos anotados pueden introducir sesgos en los modelos de forma inadvertida. Es fundamental contar con equipos diversos de anotadores y directrices exhaustivas para minimizar los sesgos y garantizar una representación equitativa de las muestras de datos.