Nemotron-Personas-Finance-Japan: 9 milhões de personas sintéticas para IA financeira

O problema que o dataset tenta resolver é o de privacidade. No setor financeiro, dados reais são difíceis de usar por causa de regulações, compliance e necessidade de expertise de domínio. Sem dados representativos, agentes de IA financeira são treinados e avaliados em cenários artificiais.

O que está dentro do Nemotron-Personas-Finance-Japan

O dataset tem 9 milhões de personas no total: 1 milhão de registros com 9 personas cada. Cada registro tem 50 campos, sendo 9 campos de persona, 11 atributos de persona e 30 campos contextuais baseados em estatísticas demográficas e trabalhistas oficiais.

No total são cerca de 1,5 bilhão de tokens, incluindo 750 milhões de tokens de persona. Há cerca de 950 mil nomes únicos e mais de 1.600 categorias de ocupação que refletem a força de trabalho japonesa. A cobertura abrange eixos demográficos, regionais, de distribuição de ativos e traços de personalidade.

Os tipos de persona incluem ocupações, esportes, artes, viagens, culinária, finanças, comportamento financeiro e preocupações financeiras. Os atributos em linguagem natural incluem histórico cultural, habilidades, metas de carreira, hobbies, contexto familiar e financeiro, atitudes em relação ao dinheiro e planejamento financeiro.

Como o dataset foi construído

A construção usa a estrutura NeMo SDG-PGMs, um framework de modelo gráfico probabilístico para geração de dados sintéticos estatisticamente fundamentados, e o NeMo Data Designer, um sistema empresarial de geração de dados sintéticos. O NeMo Data Designer permite templates Jinja complexos, validação Pydantic, saídas estruturadas, retries automáticos e suporte a múltiplos backends.

Para a geração de texto em japonês, o pipeline usa o modelo gemma-4-31B-it, licenciado sob Apache 2.0. Os dados demográficos e financeiros seguem estatísticas oficiais do governo japonês e pesquisas públicas.

Um ponto importante é o refinamento cultural. Onde as estatísticas nacionais agregam níveis de escolaridade de forma ampla, o dataset introduz granularidade mais fina. As ocupações incluem categorias adicionais, como proprietários de negócios e profissões especializadas. Os estágios de vida modelam cenários raramente destacados nas estatísticas, como estudantes, aposentados e períodos de desemprego. As finanças domésticas incluem ativos financeiros e reais em nível de domicílio, além de renda individual.

Por que finanças domésticas e alfabetização financeira importam

O dataset foi desenhado com a participação de instituições financeiras japonesas e associações do setor, incluindo Sompo Japan, Tokio Marine Holdings, Bank of Fukuoka, Mizuho Financial Group, Meiji Yasuda Life Insurance e a Financial Data Utilization Association. Essa colaboração garante que os cenários financeiros sejam realistas e não apenas demograficamente plausíveis.

Cada persona carrega finanças domésticas e alfabetização financeira junto com demografia. Equipes podem usar as personas para construir agentes de atendimento ao cliente, avaliar conversas de vendas e marketing, rodar simulações de usuários no NeMo User Sim e fazer red teaming de IA voltada ao cliente.

O dataset é 50% maior que o Nemotron-Personas-Japan original, com 50 campos em vez de 22, oferecendo recortes mais finos da população para treinar e testar.

Privacidade por design

Todas as personas são totalmente sintéticas. Nenhum indivíduo real é representado. As demografias e finanças domésticas seguem estatísticas oficiais e dados de pesquisa pública. Os nomes seguem padrões de nomenclatura japonesa reais, mas as personas são construídas a partir dessas distribuições, não a partir de registros sobre pessoas reais.

Isso permite que equipes desenvolvam e avaliem IA financeira sem usar dados de clientes reais, reduzindo risco de privacidade e custo de aquisição de dados.

Casos de uso práticos

O dataset suporta aplicações como geração de diálogos multi-turno usando personas como sementes, desenvolvimento de IA específica de domínio para assistentes financeiros, e testes de viés e equidade avaliando como modelos performam em diferentes divisões rural-urbana, faixas etárias, backgrounds educacionais e circunstâncias econômicas.

O release também se integra ao framework de simulação de usuários NeMo User Sim, permitindo execução instantânea de simulações a partir de distribuições diversas e consistentes com o mundo real.