NVIDIA、日本のエージェント型AI開発を支える2つの合成データセットを発表

日本の文化や人口動態、金融領域を反映するペルソナデータと、PII検出、マスキング向けの日本語文書データを公開

NVIDIA は 11 月 10 日、都内で主催した開発者向けのイベント 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、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。Nemotron は、高い精度と計算効率を両立し、企業が AI エージェントを低コストで開発、展開できるよう支援します。

AI エージェントが企業の業務に組み込まれ、ユーザーとの対話や文書処理を担うようになると、モデルの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。今回の 2 つのデータセットは、日本の開発者や企業が、地域と業界の要件に即した AI をより安全に開発、評価できる環境を広げるものです。

日本社会を反映し、金融領域へ拡張した Nemotron Personas Finance Japan

NVIDIA が 2025 年に公開した Nemotron Personas Japan (以下、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 データセットです。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。

本日公開された Nemotron Personas Finance Japan 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。

Nemotron Personas Finance Japan は、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。開発者は、本データセットに含まれる金融分野のペルソナや属性を、NeMo User Sim ですでに提供されている金融サービス向けのプローブと組み合わせることで、さまざまな金融シナリオに対するエージェントの応答をテストできます。また、既存のプローブを拡張したり、日本の顧客像、金融商品、商慣行に合わせた専用プローブを構築したりすることも可能です。

日本の企業、機関と連携して開発

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。NVIDIA は、Elith が持つエージェント型 AI に関する知見とプロダクトの開発力を評価し、本プロジェクトの開発パートナーに選定しました。

株式会社 Elith 取締役 CAIO の下垣内 隆太氏は、次のように述べています。「金融領域で求められる多様な人物像を合成データとして表現するには、データ生成の技術だけでなく、実際の業務を踏まえた設計が重要です。今回、NVIDIA および金融業界の皆様から得た知見を生成プロセスに反映し、幅広い AI 開発に活用できるデータセットを目指しました」

また、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ご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。

各機関からは、以下の観点で協力を得ました。

• 損害保険ジャパンは、損害保険領域における AI 活用を想定し、保険の加入・更新や事故対応などの場面におけるペルソナ表現について意見を提供しました。
• 東京海上ホールディングスは、保険分野のマーケティングにおける活用可能性を踏まえ、想定されるユースケースや顧客ペルソナに必要な情報等についてフィードバックを提供しました。
• 福岡銀行は、個人のお客さまの属性や嗜好を踏まえた最適な金融商品・サービスを提案することを想定し、必要な属性データやペルソナの嗜好等に関する表現の妥当性についてフィードバックを提供しました。
• みずほフィナンシャルグループは、合成データのサンプルを確認し、データ項目や個人営業領域での活用可能性についてフィードバックを提供しました。
• 明治安田生命保険相互会社は、生命保険のニーズをふまえたペルソナ像や、営業活動、商品・サービス開発等に活用するために必要な属性情報についてフィードバックを提供しました。
• 一般社団法人金融データ活用推進協会（FDUA）は、業態を横断して金融分野での合成データの活用を後押しする立場から、ウェルスマネジメントなどリテール施策のシミュレーションを想定し、必要な属性の追加と、属性とペルソナ記述の整合性についてフィードバックを提供しました。

PII 検出とマスキングを支える Nemotron PII Japan

本日公開された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。企業は、実データを学習や検証のために持ち出すリスクを抑えながら、日本語の文書形式に対応した保護機能を検証できます。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。NEC は、企業が生成 AI を安全に業務活用できるよう、日本語文書から個人識別情報を検出・秘匿する技術の研究開発を進めています。

NEC AI プラットフォームサービス統括部 統括部長 吉川　彰一氏は、次のように述べています。「日本語 PII を対象とした公開データセットは少ない中、NVIDIA の Nemotron PII Japan により、整備された標準データセットで当社モデルの性能を客観的に検証できるようになり、新たな外部データに対しても高い検出性能を発揮することを確認しました。さらに、本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ました。今後は本データセットを当社製品の開発・評価に活用し、日本語PII保護技術の発展に取り組んでいきます。」

日本語 AI の開発をオープン データで支援

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。このようなデータセットを通じて、NVIDIA は日本の言語、文化、業界要件に対応した AI エージェントの開発を後押しします。

二つのデータセットは現在、Hugging Face で公開されています。データセットの詳細、ライセはンス、利用方法は、以下の Hugging Face の Nemotron Personas Finance Japan ブログ と Nemotron PII Japan ブログをご覧ください。

Nemotron Personas Finance Japan について

• Nemotron Personas Finance Japan データセットの詳細
• Nemotron Personas Finance Japan ブログ

Nemotron PII Japan について

• Nemotron PII Japan データセットの詳細
• Nemotron PII Japan ブログ