Teksto anotavimas yra didelių kalbos modelių ir natūralios kalbos apdorojimo programų pagrindas. Įprastos anotavimo užduotys apima nurodyto subjekto pripažinimą (NER), kai dokumentuose pažymimi subjektai, pvz., žmonės, organizacijos arba finansinės operacijos; nuotaikos žymėjimas, kuris klientų arba darbuotojų atsiliepimus priskiria į teigiamus, neigiamus arba neutralius; ir raginimų / atsakymo anotacija, kuri pateikia struktūrizuotus duomenis, skirtus sustiprinti mokymąsi, pasitelkiant žmonių atsiliepimus (RLHF) generatyviniuose dirbtinio intelekto modeliuose. Įmonės naudoja šiuos anotavimus tobulindamos dirbtinio intelekto programėles – nuo pokalbių robotų iki reglamentų laikymosi sistemų, – taip užtikrintų, kad modeliai būtų parengti naudotis tekstu, kuris būtų tikslus ir kalbų požiūriu.

Kompiuterinės vizijos modeliai priklauso nuo didelio anotuotų vaizdų kiekio. Aotavimas gali būti pateikiamas kaip apvalūs langeliai, poligonai arba dalijimasis pikselių lygmens segmentais. Įmonėms tai suteikia galimybę mažmeninės prekybos organizacijoms parengti kainų stebėjimo modelius ir užtikrinti, kad atsargos būtų sekamos realiuoju laiku; gamintojai naudoja vaizdo žymėjimus, kad aptiktų produkto trūkumas per kokybės užtikrinimo procesą; ir autonominių automobilių kūrėjai pasikliauja milijonais anotuotų pėsčiųjų ir automobilių vaizdų, kurdami suvokimo modelius. Nežymėjus tikslaus vaizdo žymėjimo, šie DI modeliai gali būti netinkamo klasifikavimo tikslais, o tai gali sugadinti pasitikėjimą prekės ženklu ar net sukelti saugos pavojų.

Norint pateikti vaizdo įrašo anotaciją, reikia žymėti kadrų seką – dažnai milisekundių intervalais. Tai yra labai svarbu dirbtinio intelekto sistemoms, kurios priklauso nuo laiko konteksto. Pavyzdžiui, sandėlių robotikos efektyvumas ir saugus naršymas priklauso nuo anotuotų vaizdo įrašų. Saugumo stebėjimo sistemos remiasi vaizdo įrašų anotavimu, kad galėtų realiuoju laiku aptikti grėsmes ar nukrypimus. Sporto organizacijos analizei atlikdami naudoja vaizdo įrašų žymėjimą, kad naudotojų judėjimai būtų pažymėti kadras po kadro. Dėl vaizdo įrašų duomenų sudėtingumo ir kiekio, itin sudėtinga pateikti tikslią anotaciją, todėl darbo eigos organizavimo platformos turi užtikrinti greitį ir tikslumą.

„LiDAR“ duomenų anotavimas yra savivaldžio vairavimo ir robotikos pagrindas. „LiDAR“ jutikliai generuoja didelius 3D taškų debesis, kurie turi būti segmentuoti ir paženklinti tiksliai. Tai apima pėsčiųjų, automobilių ir kliūčių klasifikavimą erdvinėje erdvėje. Ne tik autonominių automobilių, bet ir LiDAR anotavimas yra labai svarbus robotų navigacijai, bepiločiai skrydžiams pagrįstus žemėlapius ir realybės / virtualiosios realybės erdvinį modeliavimą. Skirtingai nei 2D vaizdai, „LiDAR“ duomenys suteikia gylį, todėl anotavimas yra daug sudėtingesnis. Tik automatizavimo ir žmogiškojo ciklo funkcijos derinys gali užtikrinti tokį tikslumą, kokio įmonės reikalauja saugai užtikrinti.