Tekstimärkused moodustavad suurte keelemudelite ja loomuliku keele töötlemise rakenduste selgroo. Levinud märkuste tegemise ülesannete hulka kuulub nimega üksuste tuvastamine (NER), mille puhul dokumentides märgistatakse üksused, nagu inimesed, organisatsioonid või finantstehingud; sentiment labeling, mis liigitab klientide või töötajate tagasiside positiivseks, negatiivseks või neutraalseks; ja viipe/vastuse märkus, mis pakub struktureeritud andmeid inimese tagasisidega õppimise (RLHF) tugevdamiseks generatiivsetes tehisintellekti mudelites. Ettevõtted kasutavad neid märkusi tehisintellekti rakenduste, alates vestlusrobotidest kuni eeskirjade järgimise süsteemideni, toetamiseks, tagades, et mudeleid õpetatakse tekstiga, mis on nii kontekstiliselt täpne kui ka keeleliselt mitmekesine.

Arvutinägemise mudelid sõltuvad suurest hulgast märkustega piltidest. Märkus võib toimuda piiravate kastide, hulknurkade või pikslitaseme segmenteerimisena. Ettevõtte kontekstis võimaldab see jaemüügiorganisatsioonidel koolitada mudeleid riiulite jälgimiseks, tagades varude jälgimise reaalajas; tootjad kasutavad pildimärgistust tootedefektide tuvastamiseks kvaliteedi tagamise ajal; ja AV-arendajad kasutavad tajumudelite koolitamiseks miljoneid märkustega varustatud jalakäijate ja sõidukite pilte. Ilma täpse pildimärgistuseta on nende tehisintellekti mudelite vale klassifitseerimise oht, mis võib kahjustada kaubamärgi usaldust või isegi tekitada ohutusriske.

Videomärkuste jaoks on vaja sildistada kaadrite jadasid, sageli millisekundite kaupa. See on ülioluline tehisintellektisüsteemide puhul, mis sõltuvad ajalisest kontekstist. Näiteks lao robootika sõltub tõhusaks ja ohutuks navigeerimiseks kommentaaridega videost. Turvaseiresüsteemid toetuvad ohtude või kõrvalekallete reaalajas tuvastamiseks videomärkustele. Spordiorganisatsioonid kasutavad analüüsimiseks videosilte, märgistades mängijate liikumist kaader kaadri haaval. Videoandmete keerukus ja maht muudavad täpsete märkuste tegemise eriti keeruliseks, mistõttu on vaja töövoo orkestreerimisplatvorme, et tagada nii kiirus kui ka täpsus.

LiDAR-i andmete annotatsioon on isesõitmise ja robootika keskmes. LiDAR-i andurid loovad tohutuid 3D-punktipilvi, mis tuleb täpselt segmenteerida ja märgistada. See hõlmab jalakäijate, sõidukite ja takistuste klassifitseerimist kolmemõõtmelises ruumis. Lisaks AV-le on LiDAR-i annotatsioon oluline robootika navigeerimise, droonipõhise kaardistamise ja AR/VR ruumilise modelleerimise jaoks. Erinevalt 2D-piltidest lisavad LiDAR-i andmed sügavust, muutes märkuste tegemise oluliselt keerulisemaks. Ainult automatiseerimise + inimese ahelas (HITL) kombinatsioon suudab tagada täpsuse, mida ettevõtted ohutuse seisukohalt oluliste rakenduste jaoks nõuavad.