Besedilne opombe tvorijo hrbtenico velikih jezikovnih modelov in aplikacij za obdelavo naravnega jezika. Običajne naloge beleženja vključujejo prepoznavanje poimenovanih subjektov (NER), pri katerem so v dokumentih označeni subjekti, kot so osebe, organizacije ali finančne transakcije; označevanje čustev, ki povratne informacije strank ali zaposlenih kategorizira kot pozitivne, negativne ali nevtralne; in takojšnje beleženje/odziv, ki zagotavlja strukturirane podatke za učenje s krepitvijo s povratnimi informacijami s človekom (RLHF) v generativnih modelih umetne inteligence. Podjetja uporabljajo te opombe za napajanje aplikacij umetne inteligence, od robotov za klepet do regulativnih sistemov za skladnost, s čimer zagotavljajo, da so modeli usposobljeni za besedilo, ki je kontekstualno natančno in jezikovno raznoliko.

Modeli računalniškega vida so odvisni od velikih količin slik z opombami. Opomba je lahko v obliki omejitvenih polj, mnogokotnikov ali segmentacije na ravni slikovnih pik. V podjetjih to omogoča maloprodajnim organizacijam, da usposabljajo modele za spremljanje polic, kar zagotavlja spremljanje zalog v realnem času; proizvajalci uporabljajo slikovno označevanje za odkrivanje napak na izdelkih med zagotavljanjem kakovosti; in razvijalci AV se pri usposabljanju zaznavnih modelov zanašajo na na milijone komentiranih podob pešcev in vozil. Brez natančnega označevanja s slikami lahko pri teh modelih umetne inteligence pride do napačne razvrstitve, kar lahko škodi zaupanju v blagovno znamko ali celo ustvari varnostna tveganja.

Zapisovanje videoposnetkov zahteva označevanje zaporedij sličic, pogosto v milisekundnih intervalih. To je ključnega pomena za sisteme umetne inteligence, ki so odvisni od časovnega konteksta. Robotika v skladišču je na primer odvisna od videoposnetka z opombami za učinkovito in varno navigacijo. Sistemi za varnostni nadzor se zanašajo na video zapiske za zaznavanje groženj ali nepravilnosti v realnem času. Športne organizacije uporabljajo video označevanje za analitiko, s čimer označujejo premike igralcev okvir za okvirjem. Zaradi zapletenosti in obsega video podatkov je natančno ustvarjanje opomb še posebej zahtevno, zato morajo platforme za usklajevanje delovnega toka zagotoviti tako hitrost kot natančnost.

Zapisovanje podatkov LiDAR je bistvo avtonomne vožnje in robotike. Senzorji LiDAR ustvarjajo ogromne 3D oblake točk, ki jih je treba natančno segmentirati in označiti. To vključuje razvrščanje pešcev, vozil in ovir v tridimenzionalnem prostoru. Poleg AV je opomba LiDAR ključnega pomena za navigacijo robotov, kartiranje na podlagi brezpilotnih letalnikov in prostorsko modeliranje AR/VR. Za razliko od 2D slik podatki LiDAR uvajajo globino, zaradi česar je zaznamek bistveno bolj zapleten. Samo kombinacija avtomatizacije + človeka v zanki (HITL) lahko zagotovi natančnost, ki jo podjetja potrebujejo za aplikacije, ki so varnostno kritične.