• Reconhecimento de entidades nomeadas (REM): etiquetagem de entidades como nomes, localizações, datas ou objetos específicos dentro do texto.
• Análise de opiniões: etiquetar dados de texto com emoções ou opiniões expressas em avaliações ou comentários.
• Etiquetagem de intenção: identificar o objetivo subjacente a um texto, como categorizar as questões dos clientes num sistema de chatbot.
• Avaliação da qualidade do conteúdo: avaliar e anotar conteúdos textuais para avaliar a qualidade e a relevância para tarefas específicas de IA, como a recuperação de informações ou a moderação de conteúdos.

• Caixas delimitadoras: desenhar retângulos em torno de objetos de interesse, como veículos, pessoas e animais, para modelos de deteção de objetos.
• Polígonos e polilinhas: anotar formas mais complexas, como faixas de rodagem, para veículos autónomos utilizando polilinhas.
• Segmentação semântica: etiquetar todos os píxeis de uma imagem para categorizar regiões, como identificar diferentes partes de uma cena de rua com passeio, automóveis e peões.
• Segmentação de instâncias: etiquetar todos os píxeis de uma imagem para diferenciar instâncias da mesma categoria, como várias pessoas numa imagem.

• Rastreamento de objetos: rastrear os objetos à medida que se deslocam pelos fotogramas de um vídeo para compreender o seu comportamento.
• Reconhecimento de atividade: etiquetar ações, como correr, sentar e saltar, para análise comportamental em sistemas de vigilância ou análises desportivas.
• Deteção de faixa: anotação das linhas das faixas em vídeos para que os VA (veículos autónomos) possam navegar com segurança.

• Transcrição: conversão de palavras faladas em ficheiros de áudio em texto para aplicações de PLN.
• Classificação de áudio: categorizar sons, como música, discurso humano e sons de animais, em gravações.
• Etiquetagem de intenção e feedback: etiquetar clipes de áudio com a intenção ou o sentimento expresso no discurso; isto é útil para criar bots de apoio ao cliente.

• Cuboides 3D: anotação de objetos no espaço 3D utilizando cuboides para representar veículos, peões ou outras entidades captadas por sensores LiDAR.
• Fusão de sensores: integrar vários tipos de sensores, como dados de radar e LiDAR, para etiquetar objetos com precisão para a tomada de decisões em tempo real nos veículos autónomos.
• Etiquetagem de metadados: anotar informações adicionais, como a velocidade, a direção e o tamanho do objeto, para enriquecer o conjunto de dados para análises avançadas.

Anotar grandes conjuntos de dados é um processo que consome muitos recursos, especialmente quando se trata de tarefas complexas como segmentação semântica ou rastreamento de objetos em 3D. Escalar o processo de anotação mantendo a qualidade é um dos principais desafios.

Os anotadores humanos devem ser consistentes na sua rotulagem, pois até pequenas variações podem afetar o desempenho do modelo. Isto exige programas de formação completos e verificações contínuas de qualidade para minimizar erros.

O tratamento de dados sensíveis, como registos médicos ou informações pessoais, exige conformidade com regulamentos de privacidade e uma infraestrutura segura. As plataformas de anotação devem implementar medidas de segurança robustas para proteger a integridade dos dados.

Os dados anotados podem, inadvertidamente, introduzir enviesamentos nos modelos. É fundamental contar com equipas diversificadas de anotadores e diretrizes abrangentes para minimizar esses enviesamentos e garantir uma representação justa em todas as amostras de dados.