Bancos e seguradoras que querem criar assistentes de IA esbarram num obstáculo básico: os dados com que precisariam testá-los são justamente os dados de clientes que as regras de privacidade os impedem de usar livremente. A Nvidia e a empresa japonesa Elith lançaram um conjunto de dados voltado para essa lacuna no Japão, uma grande coleção de clientes inventados, mas baseados em estatísticas, que qualquer pessoa pode usar, inclusive comercialmente, sob licença CC BY 4.0.
O Nemotron-Personas-Finance-Japan tem 1 milhão de registros, cada um com 9 personas, num total de 9 milhões, escritos em japonês natural. Cada registro tem 50 campos: descrições da persona, atributos como atitude em relação ao dinheiro e planejamento financeiro, e 30 campos de contexto tirados de estatísticas oficiais demográficas e de trabalho. O conjunto soma cerca de 1,5 bilhão de tokens, com uns 950.000 nomes únicos e mais de 1.600 categorias de ocupação. Ele amplia o anterior Nemotron-Personas-Japan, que tinha 22 campos por registro, e acrescenta patrimônio familiar, educação financeira e uso de internet e de smartphone.
O processo de construção é aberto sobre suas peças. Um modelo gráfico probabilístico, o NeMo SDG-PGMs, sorteia os atributos para que sigam as distribuições oficiais, e o modelo aberto gemma-4-31B-it, do Google, escreve o texto em japonês, tudo coordenado pelo NeMo Data Designer da Nvidia. A equipe diz que grandes instituições japonesas, como Sompo Japan, Tokio Marine, Mizuho e Meiji Yasuda Life, deram retorno sobre o desenho. Os usos sugeridos vão de gerar diálogos de atendimento a simular usuários no NeMo User Sim e verificar se um modelo trata igualmente clientes rurais e urbanos, jovens e idosos, mais ricos e mais pobres. Um lançamento irmão, o Nemotron-PII-Japan, oferece 100.000 documentos empresariais sintéticos com dados pessoais rotulados para testar anonimização.
Isso faz parte de um padrão. A Nvidia vem lançando conjuntos de personas por país que alimentam suas próprias ferramentas, e usuários sintéticos estão virando um jeito padrão de testar agentes de conversa antes que pessoas reais os vejam. Para qualquer trabalho em japonês, um conjunto grande, com licença permissiva e recortes demográficos finos, é útil mesmo fora das finanças.
Os limites vêm embutidos. Personas tiradas de estatísticas oficiais reproduzem as médias e a dispersão dessas estatísticas; vão deixar de fora os clientes incomuns e as situações confusas que causam as falhas reais de atendimento. O texto é escrito por um único modelo de 31B, com seus próprios vícios de redação. O anúncio não traz nenhuma avaliação mostrando que agentes testados com essas personas se saem melhor com clientes reais, então o ganho para um banco específico ainda precisa ser demonstrado.