NVIDIAの「Nemotron Personas Finance Japan」とは？日本語AI向け合成データ2種を公開

NVIDIAが公開した日本語合成データセット2種とは？

室谷代表取締役

NVIDIAが日本語AI開発の土台になる合成データセットを2本まとめて出してきたんですよね。2026年11月10日の「NVIDIA Agentic AI Day」での発表です。

テキトー教師DotAI 認定講師

はい、ここは整理して押さえたいところです。1本目がNemotron Personas Finance Japan、2本目がNemotron PII Japan。

前者は日本人の合成ペルソナを金融領域に広げたもの、後者は日本語文書に含まれる個人識別情報、つまりPIIの検出とマスキングのためのデータです。単にデータを2つ置いたという話じゃないんですよ。

室谷代表取締役

発表はNVIDIAで、データはHugging Faceで公開されています。ライセンスはどちらもCC BY 4.0ですね。

テキトー教師DotAI 認定講師

この2本は目的がはっきり違います。Personas Finance Japanは「日本の多様なユーザー像を、実在の個人情報を使わずに再現する」データ。

PII Japanは「業務文書に含まれる個人情報を見つけて守るモデルを作る」データ。前者は人をつくる、後者は人を隠す。

方向が逆なんです。

室谷代表取締役

なるほど、そこを混ぜると記事がぼやけるわけですね。ちなみにPersonas側は、NVIDIAのNemotron-Personasコレクションという、多言語・地域別の合成ペルソナデータ群の一部に位置づけられます。

公式ドキュメントによると、このコレクションは現時点で7カ国・9言語変種・約5300万ペルソナ規模なんですよね。

テキトー教師DotAI 認定講師

ただ、PII Japanはそのコレクションに入るものではありません。同じNemotronファミリーのデータセットではありますが、ペルソナ群とは別物として扱うのが正確です。

ここは受講生さんもよく混同するので、講座でも口を酸っぱくして言っているところです（笑）。

室谷代表取締役

ちなみにNemotron自体は、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で、高い精度と計算効率を両立させて企業がAIエージェントを低コストで開発・展開できるようにする、という位置づけです。データセット単体ではなく、その一部として出てきたと。

テキトー教師DotAI 認定講師

そういうことです。だからこそ、モデル側の動きとセットで見ると理解が深まります。

モデル群についてはNVIDIAの「Nemotron 3.5 Bolt E4B 4GB」とは？4GBで動く小型オープンモデルで解説しているので、あわせて読むと全体像がつながりますよ。

Nemotron Personas Finance Japanでできること

室谷代表取締役

こちらは2025年に公開されたNemotron Personas Japan、いわゆるV1の後継にあたるものです。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した。

年齢、職業、居住地域に加えて、文化的背景、スキル、趣味、キャリア志向まで自然な日本語で記述している。

テキトー教師DotAI 認定講師

今回のFinance版は、その基本属性と個人コンテキストを引き継ぎながら、金融領域の属性とペルソナを足しています。収入や資産に加えて、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、国内金融機関の知見を取り入れて設計したと。

室谷代表取締役

規模も拡張されています。100万サンプルを基盤に、ペルソナ数はV1の600万件から900万件へ、総トークン数は約14億から約15億へ。

この数字の伸び方は、金融属性を足した分の厚みだと読めますね。

テキトー教師DotAI 認定講師

データの中身も具体的です。Hugging Faceのデータセットカードを見ると、finance_persona、financial_behavior_persona、financial_concerns_persona、professional_persona、sports_persona、arts_persona、travel_persona、culinary_persona、persona、cultural_background、skills_and_expertise、hobbies_and_interests、career_goals_and_ambitions、financial_background、money_attribute、financial_plan、household_background、parent_backgroundといったテキスト項目が並んでいます。

属性側はsex、age、marital_status、education_level、occupation、employment_status、personal_income、household_financial_assets、housing_type、consumption_propensity、financial_literacy、financial_assets_held、securities_mix、prefecture、city、regionなど。

室谷代表取締役

実際のペルソナも面白いんですよ。たとえば大阪府の高級家具店の店長、54歳の男性。

バブル崩壊後の長期不況を20代で経験して慎重になった、住宅ローンを抱えながら手取りの多くを貯蓄に回す、金融資産880万円は定期預金や生命保険で維持する、といった具合に、金融行動と生活背景が一本につながって書かれている。

テキトー教師DotAI 認定講師

別の例だと、大分県の市役所で事務補助をする20歳の女性。年収100万円台で、普通預金に預けておけば安心と考え、複雑な運用には関心がない。

住宅の更新費用を気にしながら、大好きなサッカークラブの応援に年に数万円を使う。こういう人物像が、属性値と自然文の両方で整合するように作られているわけです。

室谷代表取締役

これは金融機関にとって大きいですよね。公式ブログでは、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への活用が挙げられています。

MYUUUでも顧客シミュレーションの材料探しは常に課題なので、これは刺さります。

テキトー教師DotAI 認定講師

さらにNeMo User Simと組み合わせられる点も見逃せません。これ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てAIエージェントをテスト・評価するフレームワークです。

データセットの金融ペルソナや属性を、NeMo User Simがすでに提供している金融サービス向けのプローブと組み合わせれば、さまざまな金融シナリオへのエージェント応答を試せる。既存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作ったりもできると。

室谷代表取締役

つまり「ペルソナを読んで終わり」ではなく、エージェントの評価ループにそのまま差し込める設計なんですよね。ここは実務者としてかなりありがたい。

テキトー教師DotAI 認定講師

生成の仕組みも公式ドキュメントで説明されています。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た、と。

パイプラインはOCEANビッグファイブのサンプリング、人口統計にグラウンディングしたサンプリング、構造化出力によるペルソナ属性、ペルソナ記述という4段階の構成だと説明されています。

室谷代表取締役

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かない、という点も公式に明記されています。ここは安心材料であり、同時に限界でもあるわけですが。

Nemotron PII Japanでできること

テキトー教師DotAI 認定講師

続いてPII Japanです。こちらは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。

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分野を対象に、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。

室谷代表取締役

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のアノテーションが付いている。データセットカードを見ると、spansとして開始位置・終了位置・テキスト・ラベルが入っていて、text_taggedでは本文中にラベル付きで埋め込まれた形になっています。

テキトー教師DotAI 認定講師

実際のサンプルも具体的です。金融分野のローン審査書類では、審査受付日の「令和6年7月22日」にdate、年齢の「50」にage、氏名の「中島」にlast_name、「星来」にfirst_name、住所にはstreet_addressといったラベルが振られている。

生年月日はdate_of_birth、就業状態はemployment_status、勤務先業種・職種はoccupationという具合です。

室谷代表取締役

文書形式も2種類あるんですね。構造化された定型フォーマットと、自由記述の非構造化フォーマット。

実際の業務文書はこの両方が混ざるので、両方入っているのは学習データとしてありがたい設計です。

テキトー教師DotAI 認定講師

用途は明確です。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、氏名や住所を自動検出してマスキングする専用モデルの開発に役立つ。

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。

室谷代表取締役

ここで大事な注意点があります。今回公開されたのはデータセットであって、日本語PIIモデルそのものではない、と公式ブログに明記されています。

モデルが配られたわけではないんですよね。

テキトー教師DotAI 認定講師

そこは誤解されやすいので強調しておきたいです。あくまで学習・評価用のデータ。

自社モデルを育てる材料として使うものです。

室谷代表取締役

このデータセットの実用性検証にはNECがアーリーアクセスで参加しています。NECの吉川彰一氏のコメントとして、日本語PIIを対象とした公開データセットが少ない中、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、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た、と紹介されています。

テキトー教師DotAI 認定講師

これは大きいですよね。公開データセットが「評価のものさし」になる。

ものさしがなければモデルの良し悪しを語れないわけですから。

2つのデータセットの使い方・入手方法（Hugging Face・ライセンス）

室谷代表取締役

入手先はHugging Faceです。Nemotron Personas Finance JapanとNemotron PII Japan、それぞれのデータセットページが公開されています。

ライセンスはどちらもCC BY 4.0。

テキトー教師DotAI 認定講師

ここは事実を正確に整理しておきましょう。まず料金についてですが、資料には無料という明記はありません。

CC BY 4.0で公開されている、というのが確認できる事実です。

室谷代表取締役

そうですね。「無料で使える」と書くのは避けます。

ライセンス条件はCC BY 4.0という表記のとおりで、そこから先の利用条件は各自で確認が必要です。

テキトー教師DotAI 認定講師

読み込み方法も分けて書く必要があります。Personas Finance Japan側のHugging Faceページに表示されているライブラリはDatasets、Dask、Polars。

PII Japan側はDatasets、pandas、Polarsです。同じNemotronでも記載が違うので、まとめて「pandasで読める」と書くと不正確になります。

室谷代表取締役

フォーマットはどちらもparquetです。Personas側はサイズが1M〜10M、PII側は100K〜1Mという区分になっています。

テキトー教師DotAI 認定講師

では整理するとこうです。

• Nemotron Personas Finance Japan: ライセンスCC BY 4.0、Hugging Faceで公開、形式parquet、表示ライブラリはDatasets・Dask・Polars、サイズ区分1M〜10M
• Nemotron PII Japan: ライセンスCC BY 4.0、Hugging Faceで公開、形式parquet、表示ライブラリはDatasets・pandas・Polars、サイズ区分100K〜1M
• 料金に関する記載は、確認できた資料の中には見当たりません

室谷代表取締役

Hugging Faceの基本的な使い方から確認したい人は、Hugging Faceとは？できること・料金・商用利用とNVIDIA買収の現在を読むとスムーズです。データセットをどう扱うかという前提の部分が整理されています。

テキトー教師DotAI 認定講師

あと、Personas側のデータセットカードにはdatadesignerというタグも付いています。NeMo Data Designerのパイプラインで作られたことと整合する表記ですね。

料金はかかる？日本企業はどう関わったのか

室谷代表取締役

料金の話は先ほど触れたとおり、資料に金額の記載はありません。CC BY 4.0で公開されている、という事実までが確認できる範囲です。

ここは現時点では明らかにされていない、と正直に書くべきところですね。

テキトー教師DotAI 認定講師

一方で、日本企業の関わりはかなり具体的に公表されています。まず開発体制。

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るElithが担当しました。NVIDIAはElithのエージェント型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。

室谷代表取締役

Elithの下垣内隆太氏のコメントも出ています。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、NVIDIAと金融業界から得た知見を生成プロセスに反映した、という趣旨の発言です。

テキトー教師DotAI 認定講師

金融機関の関与も業態ごとに書き分けられています。損害保険ジャパンは保険の加入・更新や事故対応の場面におけるペルソナ表現、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での活用可能性を踏まえたユースケースと必要情報、福岡銀行は個人客の属性や嗜好を踏まえた最適な金融商品・サービス提案を想定した属性データと嗜好表現の妥当性、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確認とデータ項目・個人営業領域での活用可能性、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・商品サービス開発に必要な属性情報。

室谷代表取締役

業界団体も入っています。一般社団法人金融データ活用推進協会、FDUAですね。

業態を横断して金融分野での合成データ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たと。

テキトー教師DotAI 認定講師

重要なのは、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る、という点です。ここが崩れると合成データの意味がなくなるので、明記されているのは大きいですね。

室谷代表取締役

ヒアリングで想定ユースケースや必要属性の意見をもらい、中間成果物のレビューで有用性や表現の妥当性のフィードバックを得た、という進め方も書かれています。作って終わりではなく、現場の目が入っている。

テキトー教師DotAI 認定講師

ちなみにPII側はNECがアーリーアクセスで検証した、という関わり方でした。こちらは金融機関ではなく、PII検出技術の研究開発を持つ企業としての参加です。

役割が違うんですね。

日本語AI開発にとって何が画期的なのか

室谷代表取締役

ここが一番語りたいところなんですけど、要は「実データが使えない領域」に、使える形のデータが供給されたという話なんですよね。金融、医療、公共の領域では、個人情報を含むデータの取得・利用・共有が難しい。

これはAI開発の大きな制約でした。

テキトー教師DotAI 認定講師

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本は、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、と公式に位置づけられています。

室谷代表取締役

公式ドキュメントで面白いのが、ペルソナの価値を3つの角度で説明しているところです。1つ目がソブリンAIのための分布忠実性。

地域の実人口を反映しない合成データで学習すると、ある集団を過剰に代表し、別の集団を過小に代表するといった微妙なバイアスを引き継いでしまう。国勢調査や行政データにグラウンディングしたペルソナは、LLMがデータを見る前にそのギャップを埋める、と。

テキトー教師DotAI 認定講師

2つ目が、ランダムサンプリングでは出せない多様性。「顧客からの問い合わせを1万件生成して」と種なしで頼むと、同じ少数の潜在ペルソナのバリエーションが1万件出てくるだけになる。

それぞれの問い合わせを、人口統計的にグラウンディングされた別々のペルソナに条件づけることで、実際に展開される母集団をカバーさせる。ピッツバーグの定年退職した電気技師、ベンガルールの大学院生、リールの小学校教師、それぞれが意味のある違うプロンプトを生むわけです。

室谷代表取締役

3つ目が再利用可能な種データ。ペルソナに名前、人口統計プロファイル、OCEANベクトル、一貫したバックストーリーがあれば、ツール利用環境、長文コンテキスト構築、安全拒否テンプレート、ロールプレイシナリオなど、下流のパイプラインがいくらでも接続できる。

ライブラリのように、一度作って学習の各段階で使い回す。

テキトー教師DotAI 認定講師

実際、Nemotron 3 Super Technical Reportでは、これらのペルソナがポストトレーニングの多くの段階で使われるシードのプリミティブになっていると説明されています。長文コンテキストのサンプル、ツール利用のロールアウト、形式論理データ、安全カテゴリの拒否、一般チャットと指示追従。

つまり公開データセットであると同時に、NVIDIA自身のモデル訓練の基盤でもあるわけです。

室谷代表取締役

だから日本語版が充実する意味は大きいんですよね。日本市場向けのソブリンAIの文脈で、分布の忠実さが重視されている。

日本の人口動態、地理、文化を反映したペルソナがあって初めて、日本語モデルの振る舞いを日本のお客さんに近づけられる。

テキトー教師DotAI 認定講師

受講生さんからよく出る疑問に「合成データって信用できるの？」というのがあります。これについては、実在人物ではないこと、実在の個人情報を使っていないことは公式に明記されています。

一方で、だからこそ実データとの違いや限界は意識する必要がある。何を評価したいのかを決めて使うのが前提ですね。

室谷代表取締役

あと、Personas Finance Japanはあくまで金融属性を足した拡張版で、V1の基本属性と個人コンテキストを引き継いでいる。ゼロから別物になったわけではないので、既存のV1ベースの取り組みがある企業は移行しやすいはずです。

テキトー教師DotAI 認定講師

PII側の意義も整理しておきましょう。日本語PIIを対象とした公開データセットは少ない。

だから標準的な評価基盤がなかった。NECのコメントにもあったように、整備された標準データセットがあることで客観的な検証ができるようになる。

これはモデル開発の速度と品質の両方に効きます。

室谷代表取締役

文書処理の前処理としてPIIマスキングを挟むのは、企業が生成AIを業務に使う上での前提条件になりつつありますからね。そこで日本語の文書形式に対応した保護機能を検証できるデータが出てきたのは、実務的にはかなり大きいです。

テキトー教師DotAI 認定講師

なお、Nemotronファミリーの広がりという観点では、音声認識側の動きもあります。NVIDIAの「Nemotron 3.5 Transcribe」とは？2.8%WERでオープンウェイト首位の音声認識も、日本語対応を考える上で参考になると思いますよ。

室谷代表取締役

データとモデルが両輪で揃ってきた、というのが2026年11月時点のNVIDIAの見え方なんですよね。今回の2本は地味に見えて、日本語AIの土台を敷く仕事だと思います。

よくある質問

テキトー教師DotAI 認定講師

では、よく聞かれる点を整理しておきます。まずNemotron Personas Finance Japanとは何か、という点。

これはNVIDIAが2026年11月10日に公開した、日本社会を反映した合成ペルソナを金融領域へ拡張したデータセットです。V1の基本属性と個人コンテキストを引き継ぎ、収入や資産などの金融属性を追加しています。

室谷代表取締役

規模と構成は？ という点も聞かれますね。100万サンプルを基盤に、ペルソナ数はV1の600万件から900万件へ、総トークン数は約14億から約15億へ拡張。

属性としてはsex、age、marital_status、education_level、occupation、personal_income、household_financial_assets、housing_type、consumption_propensity、financial_literacy、prefecture、city、regionなどが含まれます。

テキトー教師DotAI 認定講師

ライセンスと入手方法は、CC BY 4.0でHugging Faceから公開されています。料金に関する記載は確認できていません。

室谷代表取締役

Nemotron PII Japanとは何か、という点については、PIIを含む日本語文書を想定した10万件規模の完全合成データセットで、8分野43種類の文書を収録し、PIIの位置と種類のアノテーションが付いている、という説明になります。

テキトー教師DotAI 認定講師

使い方としては、PII検出・マスキングモデルの追加学習、評価、改善に活用できます。公開されたのはデータセットであり、PIIモデルそのものではない点は繰り返し確認しておきたいです。

室谷代表取締役

実在の人物が含まれているのか、という質問も来そうです。Personas側はすべて人工的に生成され、実在する個人とは結びつかないと公式に明記されています。

PII側も実在する個人情報を一切使用していない完全合成データです。

テキトー教師DotAI 認定講師

日本企業の関与については、開発をElithが担当し、損害保険ジャパン、東京海上ホールディングス、福岡銀行、みずほフィナンシャルグループ、明治安田生命保険相互会社、FDUAが知見やフィードバックを提供しました。各社固有の顧客データや機密情報は使用していません。

PII側はNECがアーリーアクセスで検証しています。

室谷代表取締役

何に使えるのか、という実務的な問いには、金融機関なら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、NeMo User Simと組み合わせたエージェント評価、というあたりが公式に挙げられている用途です。

テキトー教師DotAI 認定講師

最後に、なぜ日本特化のペルソナが必要なのか。公式ドキュメントの言葉を借りれば、地域の実人口を反映しない合成データは微妙なバイアスを引き継ぐからです。

ソブリンAIの文脈では分布の忠実さが重視される。だからこそ、日本の人口統計、地理、文化にグラウンディングしたペルソナに意味がある、という整理になります。