오디오는 다양한 유형의 소리를 녹음한 데이터를 의미합니다. 오디오 어노테이션은 다양한 인구통계의 자연어와 음성을 모델이 이해할 수 있도록 지원하며, 음성 전사, 감정 탐지, 언어 식별 등의 과제에 활용됩니다.

오디오 라벨링 유형:

• 음성 인식
• 감성 분석
• 오디오-텍스트 전사
• 이벤트 및 음향 분류

텍스트 데이터는 단어와 숫자를 포함한 다양한 언어의 문서 유형을 포함합니다. 텍스트 어노테이션은 LLM이 문맥을 이해하고 NLP 과제를 정확하게 수행하는 능력을 향상시킵니다. 주요 작업으로는 텍스트 분류, 감성 주석, 광학 문자 인식(OCR) 등이 있습니다.

텍스트 라벨링 유형:

• 텍스트 분류
• 감성 분석
• 질의응답(QA)
• 개체명 인식(NER)
• 오디오-텍스트 전사

코드는 레이블, 번호 또는 기호가 할당된 데이터를 의미합니다. 코드 어노테이션은 코딩 LLM의 성능 향상을 위한 파인튜닝 데이터셋 구축을 지원하며, 프롬프트 생성, 답변 검증, 대화 평가 등의 작업에 활용됩니다.

코드 라벨링 유형:

• 프롬프트 생성
• 프롬프트 검증
• 답변 생성
• 답변 검증
• 대화 생성
• 대화 평가

시계열 데이터는 시간에 따라 수집되거나 색인된 데이터 포인트의 시퀀스입니다. 시계열 어노테이션은 시간 관련 레이블, 메타데이터, 설명 정보를 추가하는 작업으로, 이벤트 어노테이션, 이상 탐지, 시간 구간 어노테이션 등이 대표적인 활용 사례입니다.

시계열 라벨링 유형:

• 이벤트 인식
• 시계열 분류
• 시계열 세그멘테이션

멀티모달 라벨링은 텍스트, 이미지, 오디오 등 여러 형식의 데이터에 레이블을 부여하는 작업입니다. AI 모델이 다양한 소스의 정보를 이해하고 처리할 수 있도록 지원하며, 캡션 생성, 멀티모달 검색, 음성-텍스트 정렬 등의 기법이 활용됩니다.

멀티모달 라벨링 유형:

• 이미지 캡셔닝
• 전사
• 행동 인식