AIアシスタントを作りたい銀行や保険会社は、根本的な壁にぶつかります。テストに必要なデータは、まさにプライバシー規制によって自由に使えない顧客データだからです。NvidiaとElithは、日本のこの空白を埋めるためのデータセットを公開しました。架空ではあるものの統計に基づいた大量の顧客データで、CC BY 4.0ライセンスのもと、商用を含め誰でも使えます。
Nemotron-Personas-Finance-Japanは100万件のレコードからなり、各レコードに9つのペルソナが含まれるため、合計で900万になります。文章は自然な日本語です。各レコードには50のフィールドがあり、ペルソナの説明、お金に対する考え方や資産計画といった属性、そして公的な人口・労働統計に基づく30の文脈フィールドで構成されます。全体で約15億トークン、固有の氏名は約950,000、職業カテゴリーは1,600を超えます。1レコードあたり22フィールドだった従来のNemotron-Personas-Japanを拡張したもので、世帯の資産、金融リテラシー、インターネットやスマートフォンの利用状況が加わりました。
作り方は部品ごとに公開されています。確率的グラフィカルモデルのNeMo SDG-PGMsが公的統計の分布に沿うように属性を抽出し、Googleのオープンモデルgemma-4-31B-itが日本語の文章を書き、全体をNvidiaのNeMo Data Designerがまとめています。チームによると、損保ジャパン(Sompo Japan)、東京海上(Tokio Marine)、みずほ(Mizuho)、明治安田生命(Meiji Yasuda Life)など日本の大手機関が設計に意見を寄せました。想定される用途は、顧客対応の対話データの生成、NeMo User Simでの利 用者シミュレーション、そして地方と都市、若年層と高齢層、資産の多寡によってモデルの対応に差が出ないかの確認です。同時に公開されたNemotron-PII-Japanは、個人情報にラベルを付けた100,000件の合成ビジネス文書を提供し、匿名化のテストに使えます。
これはひとつの流れの一部です。Nvidiaは自社ツールで使える国別のペルソナデータを相次いで公開しており、合成ユーザーは、実際の人が触れる前にチャットエージェントを試す標準的な手段になりつつあります。日本語の開発全般にとっても、ライセンスが寛容で人口構成を細かく切り分けられる大規模なデータは、金融以外でも役に立ちます。
限界はもともと組み込まれています。公的統計から作ったペルソナは、その統計の平均やばらつきを再現するだけで、実際のサポートでつまずく原因となる珍しい顧客や込み入った状況は拾えません。文章は31Bのモデル1つが書いており、そのモデル特有の言い回しの癖も入ります。発表には、これらのペルソナで試したエージェントが実際の顧客に対してより良く機能することを示す評価はなく、個々の銀行にとっての効果はまだ実証されていません。