Nemotron-Personas-Finance-Japan: 9 mln syntetycznych person od NVIDIA
Nemotron-Personas-Finance-Japan od Elith i NVIDIA to 9 mln syntetycznych person z danymi o finansach Japończyków. Sprawdź, jak powstał zbiór i do czego służy.

Źródło zdjęcia: huggingface.co
Elith i NVIDIA opublikowały Nemotron-Personas-Finance-Japan, otwarty zbiór syntetycznych person, który łączy oficjalne japońskie statystyki demograficzne z danymi o finansach gospodarstw domowych i wiedzy finansowej. Zbiór, zaprezentowany na blogu Hugging Face, jest finansowym rozszerzeniem wcześniejszego zbioru Nemotron-Personas-Japan. Ma pomóc bankom, ubezpieczycielom i firmom technologicznym budować systemy AI bez sięgania po prawdziwe dane klientów.
Według autorów to pierwszy otwarty zbiór person w skali miliona rekordów, który zestawia oficjalne statystyki Japonii z danymi o finansach domowych i wiedzy finansowej. Udostępniono go na licencji CC BY 4.0, która dopuszcza także wykorzystanie komercyjne.
Najważniejsze informacje
- 9 mln person (1 mln rekordów po 9 person każdy) napisanych naturalnym językiem japońskim, łącznie około 1,5 mld tokenów.
- Każdy rekord ma 50 pól. Opisują demografię, region, aktywa gospodarstwa domowego, cechy osobowości, nawyki finansowe i stosunek do pieniędzy.
- Przy projektowaniu zbioru uwzględniono uwagi japońskich instytucji finansowych, m.in. Sompo Japan, Tokio Marine Holdings, Bank of Fukuoka, Mizuho Financial Group, Meiji Yasuda Life Insurance oraz stowarzyszenia FDUA.
- Wszystkie persony są w pełni syntetyczne. Nie odpowiadają im żadne realne osoby, a rozkłady cech pochodzą z oficjalnych statystyk i publicznych badań ankietowych.
- Tego samego dnia zadebiutował Nemotron-PII-Japan, czyli 100 tys. syntetycznych dokumentów biznesowych z oznaczonymi danymi osobowymi.
Dlaczego finanse potrzebują danych syntetycznych
Autorzy zwracają uwagę, że w sektorze finansowym korzystanie z prawdziwych danych ograniczają surowe przepisy o prywatności, wymogi zgodności (compliance) i potrzeba specjalistycznej wiedzy dziedzinowej. Tymczasem budowa agentowej AI dla finansów wymaga danych, które wiernie oddają demografię, strukturę gospodarstw domowych i stan majątkowy klientów. Bez nich trudno odtworzyć zróżnicowane, realistyczne scenariusze finansowe.
Syntetyczne dane mają omijać ryzyka związane z danymi rzeczywistymi, a przy tym zachowywać statystyczny realizm. Twórcy przypominają też, że rozwój AI w przedsiębiorstwach opierał się dotąd głównie na danych prywatnych. To stawiało w gorszej pozycji badaczy, startupy, a zwłaszcza twórców AI w regionach, gdzie dostępnych danych jest niewiele. Problem wycieku wrażliwych informacji jest realny także po stronie użytkowników. Pokazuje to choćby raport ESET o pracownikach wrzucających dane firmy do narzędzi AI.
Zbiór jest przystosowany do współpracy z NeMo User Sim, frameworkiem NVIDIA do symulacji użytkowników. Kolekcja Nemotron-Personas ma umożliwiać natychmiastowe uruchamianie symulacji opartych na rozkładach zgodnych z rzeczywistością.
Co zawiera zbiór
Zbiór jest wyraźnie większy od swojego poprzednika. Najważniejsze parametry:
- 9 mln person łącznie, o 50% więcej niż w Nemotron-Personas-Japan.
- 50 pól na rekord zamiast 22 w poprzedniku. Składa się na nie 9 pól z personami, 11 atrybutów person i 30 pól kontekstowych opartych na oficjalnych statystykach demograficznych i statystykach rynku pracy.
- ~1,5 mld tokenów, w tym ~750 mln tokenów samych opisów person.
- ~950 tys. unikalnych imion i nazwisk.
- Ponad 1600 kategorii zawodów odzwierciedlających japoński rynek pracy.
Persony dzielą się na kilka typów: zawody, sport, sztuka, podróże, gotowanie, finanse, zachowania finansowe i obawy finansowe. Atrybuty opisane językiem naturalnym obejmują tło kulturowe, umiejętności i wiedzę specjalistyczną, cele zawodowe, hobby i zainteresowania. Opisują też sytuację domową, rodzicielską i finansową, stosunek do pieniędzy oraz planowanie finansowe.
Jak powstał Nemotron-Personas-Finance-Japan
Do budowy zbioru wykorzystano NeMo Data Designer, korporacyjny system NVIDIA do generowania danych syntetycznych. Autorzy opisują go jako system typu compound AI. Obsługuje złożone szablony Jinja, walidację Pydantic, ustrukturyzowane wyniki, automatyczne ponawianie prób i różne backendy generujące. Według twórców taki zestaw narzędzi jest niezbędny przy zbiorach tej skali.
W procesie wykorzystano dwa komponenty:
- NeMo SDG-PGMs (licencja Apache-2.0), framework oparty na probabilistycznych modelach graficznych, który zapewnia statystyczne ugruntowanie generowanych danych.
- gemma-4–31B-it (licencja Apache-2.0), model odpowiedzialny za generowanie tekstu po japońsku.
Szerszy kontekst kulturowy niż w statystykach
Zbiór zgadza się z oficjalnymi statystykami Japonii, ale twórcy celowo poszerzyli go tam, gdzie surowe dane byłyby zbyt ogólne do trenowania AI:
- Wykształcenie: statystyki krajowe grupują poziomy wykształcenia szeroko, więc wprowadzono drobniejszy podział, aby oddać różne ścieżki edukacyjne.
- Zawód: dodano kategorie takie jak właściciele firm i specjaliści w wąskich profesjach.
- Etapy życia: zamodelowano sytuacje rzadko widoczne w statystykach, np. studentów, emerytów i okresy bezrobocia.
- Finanse gospodarstw domowych: obok indywidualnych dochodów i skłonności do wydawania uwzględniono aktywa finansowe i rzeczowe na poziomie gospodarstwa domowego.
- Kompetencje cyfrowe i finansowe: dodano korzystanie z internetu i smartfonów oraz poziom wiedzy finansowej, aby precyzyjniej opisać profile konsumentów.
Prywatność wbudowana w założenia
Autorzy podkreślają, że każda persona jest w pełni syntetyczna i nie odpowiada żadnej realnej osobie. Demografia i finanse gospodarstw domowych odwzorowują oficjalne statystyki i publiczne dane ankietowe, a imiona i nazwiska realne japońskie wzorce. Persony zbudowano z rozkładów statystycznych, a nie z rekordów dotyczących konkretnych ludzi. Zbiór ma w ten sposób ograniczać ryzyko dla prywatności.
Dla kogo i do czego
Zbiór powstał przede wszystkim z myślą o zespołach budujących finansową AI w Japonii: w bankach, u ubezpieczycieli oraz w startupach i firmach integratorskich, które je obsługują. Persony pozwalają m.in.:
- budować agentów obsługi klienta,
- oceniać rozmowy sprzedażowe i inicjatywy marketingowe,
- prowadzić symulacje użytkowników w NeMo User Sim,
- przeprowadzać red-teaming systemów AI, z którymi kontaktują się klienci.
Według twórców zbiór przyda się też każdemu, kto tworzy produkty dla japońskich użytkowników. Większa liczba person i pól daje dokładniejsze przekroje populacji do trenowania i testów. Wśród praktycznych zastosowań autorzy wymieniają:
- wieloturowe dialogi, w których persony służą jako „ziarna” (seeds) do generowania naturalnie brzmiących rozmów,
- AI dziedzinową, czyli zbiory danych dla asystentów obsługujących realistyczne scenariusze finansowe,
- testy stronniczości i sprawiedliwości, które sprawdzają, czy modele i agenci działają równie dobrze w różnych grupach: na wsi i w mieście, w różnym wieku, przy różnym wykształceniu i sytuacji ekonomicznej.
Twórcy wymieniają trzy argumenty za znaczeniem projektu. Pierwszy to różnorodność danych, która ma ograniczać stronnicze trenowanie i ryzyko tzw. załamania modelu (model collapse). Drugi to autentyczność kulturowa, czyli mniejsza zależność od zbiorów skoncentrowanych na Zachodzie i wsparcie dla systemów tzw. suwerennej AI. Trzeci to prywatność i ład korporacyjny, zgodne z japońskim podejściem do zarządzania AI, w którym innowacja ma pierwszeństwo.
Zbiór można pobrać bezpośrednio z Hugging Face za pomocą biblioteki datasets:
from datasets import load_dataset
ds = load_dataset("nvidia/Nemotron-Personas-Finance-Japan")
Duet z Nemotron-PII-Japan
Tego samego dnia opublikowano Nemotron-PII-Japan: 100 tys. syntetycznych japońskich dokumentów biznesowych z oznaczonymi danymi osobowymi. Służą one do trenowania i testowania modeli wykrywających i anonimizujących takie informacje. Dokumenty zbudowano na bazie Nemotron-Personas-Japan. Twórcy proponują prosty podział ról: Nemotron-Personas-Finance-Japan symuluje klientów, a Nemotron-PII-Japan pozwala sprawdzić, jak potok przetwarzania chroni ich dane.
Co to oznacza dla Polski
Zbiór jest dostępny publicznie na Hugging Face i na licencji CC BY 4.0, więc polskie zespoły mogą go pobrać i używać także komercyjnie. Bezpośrednia przydatność na naszym rynku jest jednak ograniczona: persony są napisane po japońsku i odwzorowują japońską demografię oraz japońskie finanse domowe.
Dla polskich banków, ubezpieczycieli i fintechów cenniejsza może być sama metodologia. Probabilistyczne modele graficzne oparte na oficjalnych statystykach, połączone z modelem językowym generującym opisy, to podejście, które da się powtórzyć na innych danych krajowych. Polskie instytucje finansowe podlegają RODO i rygorystycznym wymogom nadzorczym, a od niedawna również unijnemu AI Act. Syntetyczne dane, które nie odpowiadają realnym osobom, mogą więc ułatwić testowanie agentów obsługi klienta i badanie stronniczości modeli bez przetwarzania danych prawdziwych klientów.
Podsumowanie
Nemotron-Personas-Finance-Japan to 9 mln syntetycznych, statystycznie ugruntowanych person z bogatym kontekstem finansowym, udostępnionych otwarcie i z prawem do użytku komercyjnego. Elith i NVIDIA pokazują, jak sektor finansowy może rozwijać i testować AI na danych, które dobrze oddają realną populację, a przy tym nie należą do żadnego klienta.
Źródła
Podobne publikacje
Phonon TTS: mała synteza mowy offline w czołówce rankingu Hugging Face
Phonon TTS od Gradium działa w pełni na urządzeniu, waży ok. 65–75 MB, mówi w pięciu językach i prowadzi w Open TTS Leaderboard. Sprawdzamy licencje i wyniki.

Odejście Jensena Huanga z Nvidii: pięć zagrożeń dla branży AI
Jensen Huang odchodzi z Nvidii po aferze z rzekomym chińskim szpiegiem. Analizujemy, jak utrata lidera uderza w otwarte modele, agentów AI i centra danych.

Nvidia Aerial i Sionna: otwarte narzędzia napędzają badania nad 6G
Otwarte narzędzia Nvidia Aerial i Sionna pobrano ponad milion razy. Zobacz, jak King's College, SoftBank i Leeds wykorzystują je w badaniach nad sieciami 6G.