NVIDIA、日本語AI開発を支援する合成データセット2種をHugging Faceで公開

　NVIDIAは11月10日、東京都内で主催した開発者向けイベント「NVIDIA Agentic AI Day」において、日本語AIの開発を支援する2つの合成データセット「Nemotron Personas Finance Japan」と「Nemotron PII Japan」を発表した。前者は日本社会を反映した合成ペルソナを金融領域へ拡張したもので、後者は日本語文書に含まれる個人識別情報（PII）の検出・マスキング用モデルの開発を支援する。いずれもHugging Faceで公開されている。

　Nemotron Personas Finance Japanは、2025年に公開された「Nemotron Personas Japan」の基本属性と個人コンテキストを引き継ぎながら、収入や資産などの属性と金融領域向けのペルソナを追加している。100万サンプルを基盤とし、ペルソナ数は600万件から900万件へ、総トークン数は約14億から約15億へ拡張された。マルチターン会話の合成、マーケティングや市場調査のシミュレーション、営業トレーニング向けの顧客シミュレーションなどに活用できる。すべての人物は人工的に生成されており、実在する個人とは結びつかない。AIエージェントをテスト、評価するフレームワーク「NVIDIA NeMo User Sim」と組み合わせて使うこともできる。

　プロジェクトはNVIDIAが主導し、実装、生成パイプラインの構築、大規模なデータ生成はElithが担当した。また、損害保険ジャパン、東京海上ホールディングス、福岡銀行、みずほフィナンシャルグループ、明治安田生命保険、金融データ活用推進協会（FDUA）から、ヒアリングや中間成果物のレビューを通じたフィードバックを得ている。各社固有の顧客データや機密情報は使用していない。

　Nemotron PII Japanは、PIIを含む日本語文書を想定して生成した10万件規模の完全合成データセット。医療、金融、行政、雇用、教育、法律、IT/セキュリティ、Eコマースの8分野を対象に、診断書やローン審査書類など43種類の文書を収録する。各文書には、氏名、住所、メールアドレスなどのPIIの位置とカテゴリーを示すアノテーションが付与されており、PIIの検出およびマスキングを行うモデルの追加学習、評価、改善に利用できる。なお、公開されたのはデータセットであり、日本語PIIモデルそのものではない。

　アーリーアクセスにはNECが参加し、同データセットを用いた追加学習により、高い検出率を維持したまま適合率が向上し、誤検知を減らせることを確認したとしている。

【関連記事】
・NVIDIA、ワールドシミュレーション向けCosmos 3の新オープンモデル4種を公開
・NVIDIA、AIエージェントを保護する「Open Agent Safety Platform」を発表
・NVIDIA、Rust言語でGPUカーネルを記述する「CUDA Rust」発表