Nemotron-Personas-Finance-Japan: 9 millones de personas sintéticas para IA financiera

El problema que el dataset intenta resolver es el de privacidad. En el sector financiero, los datos reales son difíciles de usar por regulaciones, compliance y necesidad de expertise de dominio. Sin datos representativos, los agentes de IA financiera se entrenan y evalúan en escenarios artificiales.

En este artículo verás:

• Qué hay dentro del dataset y cómo se construyó
• Por qué importan las finanzas domésticas y la alfabetización financiera
• Los casos de uso prácticos, desde atención hasta red teaming
• Cómo probar hoy, con código y licencia

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

El dataset tiene 9 millones de personas en total: 1 millón de registros con 9 personas cada. Cada registro tiene 50 campos, siendo 9 campos de persona, 11 atributos de persona y 30 campos contextuales basados en estadísticas demográficas y laborales oficiales.

En total son cerca de 1,5 mil millones de tokens, incluyendo 750 millones de tokens de persona. Hay cerca de 950 mil nombres únicos y más de 1.600 categorías de ocupación que reflejan la fuerza laboral japonesa. La cobertura abarca ejes demográficos, regionales, de distribución de activos y rasgos de personalidad.

Los tipos de persona incluyen ocupaciones, deportes, artes, viajes, cocina, finanzas, comportamiento financiero y preocupaciones financieras. Los atributos en lenguaje natural incluyen historial cultural, habilidades, metas de carrera, hobbies, contexto familiar y financiero, actitudes frente al dinero y planificación financiera.

Como o dataset foi construído

La construcción usa la estructura NeMo SDG-PGMs, un framework de modelo gráfico probabilístico para generación de datos sintéticos estadísticamente fundamentados, y el NeMo Data Designer, un sistema empresarial de generación de datos sintéticos. El NeMo Data Designer permite templates Jinja complejos, validación Pydantic, salidas estructuradas, reintentos automáticos y soporte a múltiples backends.

Para la generación de texto en japonés, el pipeline usa el modelo gemma-4-31B-it, licenciado bajo Apache 2.0. Los datos demográficos y financieros siguen estadísticas oficiales del gobierno japonés y encuestas públicas.

Un punto importante es el refinamiento cultural. Donde las estadísticas nacionales agregan niveles de escolaridad de forma amplia, el dataset introduce granularidad más fina. Las ocupaciones incluyen categorías adicionales, como propietarios de negocios y profesiones especializadas. Las etapas de vida modelan escenarios raramente destacados en las estadísticas, como estudiantes, jubilados y períodos de desempleo. Las finanzas domésticas incluyen activos financieros y reales a nivel de hogar, además de ingreso individual.

Por que finanças domésticas e alfabetização financeira importam

El dataset fue diseñado con la participación de instituciones financieras japonesas y asociaciones del sector, incluyendo Sompo Japan, Tokio Marine Holdings, Bank of Fukuoka, Mizuho Financial Group, Meiji Yasuda Life Insurance y la Financial Data Utilization Association. Esta colaboración garantiza que los escenarios financieros sean realistas y no solo demográficamente plausibles.

Cada persona lleva finanzas domésticas y alfabetización financiera junto con demografía. Los equipos pueden usar las personas para construir agentes de atención al cliente, evaluar conversaciones de ventas y marketing, ejecutar simulaciones de usuarios en NeMo User Sim y hacer red teaming de IA orientada al cliente.

El dataset es 50% más grande que el Nemotron-Personas-Japan original, con 50 campos en vez de 22, ofreciendo recortes más finos de la población para entrenar y probar.

Privacidad por diseño

Todas las personas son totalmente sintéticas. Ningún individuo real está representado. Las demografías y las finanzas domésticas siguen estadísticas oficiales y datos de investigación pública. Los nombres siguen patrones de nomenclatura japonesa reales, pero las personas se construyen a partir de esas distribuciones, no a partir de registros sobre personas reales.

Esto permite que los equipos desarrollen y evalúen IA financiera sin usar datos de clientes reales, reduciendo el riesgo de privacidad y el costo de adquisición de datos.

Casos de uso prácticos

El dataset soporta aplicaciones como la generación de diálogos multi-turno usando personas como semillas, el desarrollo de IA específica de dominio para asistentes financieros, y pruebas de sesgo y equidad evaluando cómo los modelos se desempeñan en diferentes divisiones rural-urbana, rangos etarios, backgrounds educativos y circunstancias económicas.

El release también se integra al framework de simulación de usuarios NeMo User Sim, permitiendo la ejecución instantánea de simulaciones a partir de distribuciones diversas y consistentes con el mundo real.