텍스트 주석은 대형 언어 모델과 자연어 처리 애플리케이션의 중추를 형성합니다. 일반적인 주석 작업에는 사람이나 조직, 금융 거래와 같은 개체가 문서 내에 태그되는 명명된 개체 인식(nerd entity Recognition, ner)이 포함됩니다. 고객이나 직원의 피드백을 긍정적, 부정적, 중립적으로 분류하는 감정 라벨링 생성적 AI 모델에서 인간 피드백을 이용한 강화 학습(RLHF)을 위해 구조화된 데이터를 제공하는 프롬프트/응답 주석. 기업은 이러한 주석을 사용하여 챗봇부터 규정 준수 시스템에 이르기까지 다양한 AI 애플리케이션을 강화함으로써 모델이 상황에 따라 정확하고 언어적으로 다양한 텍스트를 학습하도록 합니다.

컴퓨터 비전 모델은 주석이 달린 대량의 이미지에 의존합니다. 주석은 경계 상자, 폴리곤 또는 픽셀 수준 분할의 형태를 취할 수 있습니다. 이를 통해 소매업체는 진열대 모니터링용 모델을 학습하여 실시간으로 재고를 추적할 수 있습니다. 제조업체는 품질 보증 과정에서 이미지 라벨링을 사용하여 제품 결함을 감지합니다. AV 개발자는 주석이 달린 수백만 개의 보행자 및 차량 이미지를 사용하여 인식 모델을 교육합니다. 이러한 AI 모델은 정확한 이미지 라벨을 지정하지 않으면 오분류로 인해 브랜드 신뢰도를 훼손하거나 안전 위험을 초래할 수 있습니다.

동영상 주석에는 종종 밀리초 간격으로 일련의 프레임에 라벨을 지정해야 합니다. 이는 시간적 맥락에 의존하는 AI 시스템에 매우 중요합니다. 예를 들어 창고 로봇 공학은 효과적이고 안전한 탐색을 위해 주석이 달린 비디오를 사용합니다. 보안 모니터링 시스템은 동영상 주석을 사용하여 위협이나 이상 징후를 실시간으로 감지합니다. 스포츠 조직은 분석을 위해 동영상 라벨링을 사용하고, 프레임별로 선수의 움직임에 태그를 지정합니다. 동영상 데이터의 복잡성과 양으로 인해 정확한 주석 처리가 특히 어려워지기 때문에 속도와 정확성을 모두 보장하는 워크플로 조정 플랫폼이 필요합니다.

LiDAR 데이터 주석은 자율주행 및 로봇 공학의 핵심입니다. LiDAR 센서는 방대한 3D 포인트 클라우드를 생성하며, 이를 정확하게 분할하고 라벨을 지정해야 합니다. 여기에는 3차원 공간에서 보행자, 차량, 장애물을 분류하는 작업이 포함됩니다. LiDAR 주석은 AV 외에도 로봇 공학 내비게이션, 무인 항공기 기반 매핑, AR/VR 공간 모델링에 매우 중요합니다. 2D 이미지와 달리 LiDAR 데이터에는 깊이가 포함되므로 주석이 훨씬 더 복잡해집니다. 자동화와 HITL(Human-in-the-Loop)이 함께 이루어져야 안전이 중요한 애플리케이션에 기업이 요구하는 정확도를 제공할 수 있습니다.