NVIDIA、日本語AI向け合成データセット2種を公開、金融領域のペルソナ900万件に

☑️ 金融領域の合成ペルソナは600万件から900万件へ拡張
☑️ PII検出用は10万件規模、8分野43種類の文書を収録
☑️ 実在の個人情報を使わず、日本語AIの開発と評価を支援

ent-26-dl-nemotron-dataset-1280x680-jaJP-5805263.jpg

NVIDIAは11月10日、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」を発表しました。

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します。二つのデータセットは、高度なリーズニングやコーディング、視覚理解などに対応する、エージェント型AI向けのオープンなモデルやデータセットのファミリーである「NVIDIA Nemotron」の一部です。

背景には、AIエージェントの業務利用が広がる中で、学習や評価に使うデータにも各国の言語、文化、人口動態、業界固有の状況を正確に反映することが求められるようになっています。一方、実際の個人情報を含むデータは、プライバシーやセキュリティの観点から、取得、利用、共有が容易ではありません。特に金融、医療、公共などの領域では、この制約がAI開発の大きな課題となります。合成データは、実在する個人の情報を使わずに、必要な属性や文書構造を再現できます。

Nemotron Personas Finance Japanは、NVIDIAが2025年に公開した「Nemotron Personas Japan」(V1)を金融領域へ拡張したものです。V1は、公的な人口統計や労働統計に基づく100万レコードから、600万件の日本人合成ペルソナを生成したオープンデータセットで、年齢、職業、居住地域などの属性に加え、文化的背景、スキル、趣味、キャリア志向などを自然な日本語で記述し、日本の社会的、文化的な文脈を反映しました。今回のデータセットでは、V1の基本属性と個人コンテキストを引き継ぎながら、金融領域のAI開発やユーザーシミュレーションに役立つ属性とペルソナを追加しました。収入や資産などの属性を含め、支出、貯蓄、投資、金融上の意思決定をより現実的かつ多様に表現できるよう、国内の金融機関からの知見を取り入れて設計しています。データセットは100万サンプルを基盤とし、ペルソナ数をV1の600万件から900万件へ、総トークン数を約14億から約15億へ拡張しています。金融機関はこのデータセットを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することができます。NVIDIAは、公開統計から確率的グラフィカルモデルを用いて属性をサンプリングし、NVIDIA NeMo Data Designerを活用して個人コンテキストとペルソナを生成しました。すべての人物は人工的に生成され、実在する個人とは結びつきません。現実的なマルチターンのユーザー対話をシミュレーションし、AIエージェントをテスト、評価するためのフレームワークであるNVIDIA NeMo User Simと組み合わせて使用することもできます。

プロジェクト全体を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、東京大学の松尾研究所発のAIスタートアップであり、NVIDIAのInceptionプログラムのメンバーであるElithが担当しました。金融実務での活用可能性を高めるため、日本の主要な金融機関から協力を得ました。銀行、損害保険、生命保険など異なる金融業態の視点から、想定ユースケースやデータに必要な属性について各社へのヒアリングによって意見をいただくとともに、中間成果物のレビューを通じて、データの有用性や表現の妥当性に関するフィードバックを得ました。各社固有の顧客データや機密情報は使用せず、金融実務に関する知見のみをデータセットの設計と品質改善に反映しています。協力したのは、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、明治安田生命保険相互会社、金融データ活用推進協会(FDUA)です。

もう一つのデータセットである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です。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分野を対象とし、診断書、ローン審査書類、住所変更届、申請書など、43種類の文書を収録しています。各文書には、氏名、住所、メールアドレス、各種識別番号などのPIIが文中のどこにあり、どのカテゴリーに該当するかを示すアノテーションが付与されています。実在する個人情報を一切使用せず、文書と正解ラベルをセットで提供するため、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、改善に活用できます。例えば、顧客から受け取った文書をLLMなどのシステムで処理する前に、氏名や住所を自動的に検出してマスキングする専用モデルの開発に役立ちます。今回公開するのはデータセットであり、日本語PIIモデルそのものではありません。本データセットの実用性を検証するアーリーアクセスには、NECが参加しました。

2つのデータセットは目的が異なります。Nemotron Personas Finance Japanは、実在する個人データを使わずに日本の多様なユーザー像を再現します。Nemotron PII Japanは、業務文書に含まれるPIIを検出し、保護するモデルの開発を支えます。二つのデータセットは現在、Hugging Faceで公開されています。

発表日時: 2026年11月10日 13時01分
関連URL: https://blogs.nvidia.co.jp/blog/nvidia-agentic-ai-day-japan-2026-two-japanese-dataset/