ИССЛЕДОВАНИЕ · RESEARCH · #3288
NVIDIA и Elith выпустили Nemotron-Personas-Finance-Japan — набор синтетических персон для финансов Японии
Elith и NVIDIA опубликовали Nemotron-Personas-Finance-Japan — открытый набор синтетических персон под лицензией CC BY 4.0 для финансовых задач в Японии; он содержит 1 миллион записей (по 9 персон в записи, всего около 9 миллионов персон) и сгенерирован с помощью NeMo Data Designer и фреймворка NeMo SDG-PGMs. Релиз с учётом обратной связи от нескольких японских банков и страховых компаний дополнен Nemotron-PII-Japan (100 тыс. размеченных синтетических деловых документов) и призван позволить разработчикам создавать и тестировать финансовые модели на японском без реальных клиентских данных.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Elith и NVIDIA опубликовали Nemotron-Personas-Finance-Japan — открытый набор синтетических персон под лицензией CC BY 4.0 для финансовых задач в Японии; он содержит 1 миллион записей (по 9 персон в записи, всего около 9 миллионов персон) и сгенерирован с помощью NeMo Data Designer и фреймворка NeMo SDG-PGMs.
- Релиз с учётом обратной связи от нескольких японских банков и страховых компаний дополнен Nemotron-PII-Japan (100 тыс.
- размеченных синтетических деловых документов) и призван позволить разработчикам создавать и тестировать финансовые модели на японском без реальных клиентских данных.
ПОЧЕМУ ЭТО ВАЖНО
Обеспечивает крупный набор синтетических данных, ориентированный на Японию, который снижает риски конфиденциальности и барьеры доступа к данным при создании и тестировании финансовых AI-моделей.
ИСТОЧНИКИ И ХРОНОЛОГИЯ
1金融業界では、厳格なプライバシー保護や規制への準拠、高度なドメイン専門知識の要求から、実データの利活用に大きな制約が存在します。こうした背景から、金融領域でのエージェント型AIの開発には、実データ利用のリスクを回避しつつ、人口分布や世帯構成、資産状況を反映し、多様で現実的な金融シナリオを再現できる「合成データ」が不可欠です。 このような課題に応えるため、 Elith と NVIDIA は、オープンソースペルソナデータセット Nemotron-Personas-Japan の金融ドメイン拡張版である Nemotron-Personas-Finance-Japan を公開しました。本データセットは、私たちの知る限り、日本の公的統計と家計の財務状況および金融リテラシーに関するデータを組み合わせた、100万件規模のオープンなペルソナデータセットとしては初めてのもので、合成データ生成（SDG）のための確率的グラフィカルモデルフレームワー…
A compound AI approach to Japanese personas grounded in real-world distributions In the financial sector, the utilization of real-world data faces significant constraints due to strict privacy regulations, compliance requirements, and the need for advanced domain expertise. In this context, the development of agentic AI in the financial domain requires synthetic data capable of avoiding the risks of using real data …