Elith e NVIDIA lançam dataset sintético de personas financeiras do Japão com 9 milhões de registros

O Nemotron-Personas-Finance-Japan é a extensão financeira do Nemotron-Personas-Japan, e já está disponível sob licença CC BY 4.0, inclusive para uso comercial. A proposta é dar a quem desenvolve agentes de IA para finanças um conjunto de clientes simulados, sem tocar em dados reais, que esbarram em regras de privacidade e compliance. Segundo os autores, é o primeiro dataset aberto de personas em escala de milhões de registros que combina estatísticas oficiais do Japão com dados de finanças domésticas e de educação financeira.

Os números: 9 milhões de personas (1 milhão de registros com 9 personas cada), 50 campos por registro (9 de persona, 11 de atributos e 30 contextuais baseados em estatísticas demográficas e de trabalho), cerca de 1,5 bilhão de tokens, sendo cerca de 750 milhões de personas, e mais de 1.600 categorias de ocupação. Na geração, o NeMo SDG-PGMs (Apache-2.0) cuida da base estatística, com modelos gráficos probabilísticos. O gemma-4-31B-it (Apache-2.0) escreve o texto em japonês, e o NeMo Data Designer orquestra o pipeline, com templates Jinja, validação Pydantic, saídas estruturadas e retentativas automáticas. Os autores dizem que todas as personas são totalmente sintéticas e que os nomes seguem padrões reais japoneses. O desenho incluiu feedback de Sompo Japan, Tokio Marine Holdings, Bank of Fukuoka, Mizuho Financial Group, Meiji Yasuda Life Insurance e FDUA.

Há refinamentos pensados para finanças: escolaridade com mais granularidade, ocupações extras como empresários e profissões especializadas, fases da vida pouco visíveis em estatísticas (estudantes, aposentados, desempregados), patrimônio financeiro e real do domicílio, e letramento digital e financeiro. Comparado ao Nemotron-Personas-Japan, são 50% mais personas e 50 campos em vez de 22. Os usos citados incluem agentes de atendimento, simulação de clientes com o NeMo User Sim, avaliação de conversas de venda, red teaming e testes de viés entre regiões, faixas etárias e perfis econômicos. No mesmo dia saiu o Nemotron-PII-Japan, com 100 mil documentos corporativos sintéticos com dados pessoais rotulados, para treinar e testar detecção e remoção.

Para quem opera agentes em banco ou seguradora, o gargalo costuma ser conseguir cenários realistas para testar sem expor cliente. Um conjunto aberto e comercial resolve parte disso. A ressalva é que os dados são sintéticos e seguem estatísticas agregadas, então a avaliação em produção ainda precisará de validação com casos reais dentro da instituição. Para quem treina para o mercado japonês, o par com o dataset de PII fecha um ciclo de simular o cliente e testar a proteção dos dados dele.