Muchos sistemas dependen de la experiencia de operadores humanos, quienes han adquirido su conocimiento a través de la experiencia práctica a lo largo de muchos años. Para la detección de anomalías en entornos industriales, se han introducido unidades de sensores para predecir y clasificar tales eventos anómalos, pero estos dependen críticamente de datos anotados para el entrenamiento. Se necesitan largas campañas de recolección de datos, que tienden a combinarse con anotaciones de expertos en el dominio de los datos posteriormente, lo que resulta en un proceso costoso y lento. Este trabajo presenta una alternativa al estudiar la anotación en vivo de eventos anómalos raros en flujos de sensores en un entorno de fabricación del mundo real por operadores humanos experimentados que también pueden observar la maquinaria misma. Se desarrolló un prototipo para la visualización y anotación in situ de señales de sensores con algoritmos de detección de anomalías no supervisados integrados para proponer señales para anotación y que permite a los operadores dar retroalimentación sobre la detección y clasificar eventos anómalos. Este prototipo permitió ensamblar un corpus de varias semanas de datos de sensores medidos en un entorno de fabricación real y fue anotado por expertos en el dominio como base de evaluación para este estudio. La evaluación de las anotaciones en vivo revela una alta motivación del usuario después de acostumbrarse al prototipo de etiquetado. Después de este período inicial, se detectan de manera confiable anomalías claras con patrones de señal característicos en señales de envoltura visualizadas. Las desviaciones de señal más sutiles eran menos propensas a ser confirmadas como anomalías debido a una visibilidad insuficiente en las señales de envoltura o a la ausencia de patrones de señal característicos.