NVIDIA、日本語のエージェント型AI向けに合成データセット2つを発表 金融ペルソナ900万件と個人情報検出用データ

NVIDIAは11月10日、都内で開いた開発者向けイベント「NVIDIA Agentic AI Day」で、日本語のエージェント型AI開発を支える2つの合成データセットを発表しました。金融分野の利用を想定した「Nemotron Personas Finance Japan」と、日本語文書に含まれる個人識別情報の検出とマスキングを支える「Nemotron PII Japan」です。どちらも実在する個人のデータを使わずに作られており、現在Hugging Faceで公開されています。

発表の概要

2つのデータセットは、推論やコーディング、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とデータセットのファミリー「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し、展開できるよう支援することを目指しています。今回の発表は、都内で開かれた開発者向けイベントで行われました。

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、取得や利用、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っています。

金融分野のペルソナが900万件に

「Nemotron Personas Finance Japan」は、NVIDIAが2025年に公開した「Nemotron Personas Japan」を金融領域へ拡張したものです。2025年に公開された最初の版は、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した。年齢や職業、居住地域などの属性に加え、文化的背景やスキル、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ています。

今回公開された金融版では、最初の版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、支出や貯蓄、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、ペルソナ数を最初の版の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や、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、「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。

このデータセットは、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「NeMo User Sim」と組み合わせて使うこともできます。開発者は、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。既存のプローブを拡張したり、日本の顧客像や金融商品、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。

日本の企業や機関と連携して開発

プロジェクト全体をNVIDIAが主導し、実装や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、開発パートナーに選定したとしています。

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も協力を得ました。損害保険ジャパンは保険の加入や更新、事故対応などの場面におけるペルソナ表現について、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ユースケースや顧客ペルソナについて、それぞれ意見や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への最適な金融商品やサービスの提案を想定し、みずほフィナンシャルグループはデータ項目や個人営業領域での活用可能性について、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記述の整合性について意見を出しました。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設計と品質改善に反映しています。

個人情報を守るためのデータセット

もう一つのデータセット「Nemotron PII Japan」は、個人識別情報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とセキュリティ、Eコマースの8分野を対象とし、診断書やローン審査書類、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、氏名や住所、メールアドレス、各種識別番号などの個人識別情報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、個人識別情報の検出およびマスキングを行うモデルの追加学習や評価、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。公開されるのはデータセットであり、日本語の個人識別情報モデルそのものではない点に注意が必要です。

この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によれば、日本語の個人識別情報を対象とした公開データセットは少ない中、このデータセットにより、整備された標準データセットで自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たということです。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も確認したとしています。

なぜ合成データが注目されるのか

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。金融や医療、公共などの領域では、実データの取得や利用が難しいことが、AI開発の大きな壁になってきました。合成データは、その壁を下げる手段として注目されています。

日本の金融機関にとっては、顧客データを外部に出すことなく、現実に近い条件でAIエージェントをテストできる点が大きいといえます。個人情報の扱いが厳しい分野でも、合成データを使えば開発と評価を進めやすくなります。日本語AIの開発をオープンなデータで支える動きとして、今後の広がりが注目されます。

Frequently Asked Questions

Nemotron Personas Finance Japanは誰が使えますか

Hugging Faceで公開されているオープンデータセットで、金融機関や開発者がAIエージェントの開発や評価に活用できます。詳細やライセンス、利用方法はHugging Faceの各データセットのページで確認できます。

Nemotron PII Japanで作れるのは何ですか

日本語文書に含まれる個人識別情報を検出してマスキングするモデルの追加学習や評価、改善に使えます。公開されるのはデータセットであり、日本語の個人識別情報モデルそのものではない点に注意が必要です。

合成データを使う利点は何ですか

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るため、プライバシーやセキュリティの制約を受けにくい点が利点です。金融や医療、公共など、実データの利用が難しい分野でのAI開発を進めやすくなります。