مجموعة بيانات Nemotron-Personas-India هي مجموعة بيانات بشرية اصطناعية خاصة بالهند، أصدرتها شركة NVIDIA عام 2025. تهدف هذه المجموعة إلى تحسين تنوع البيانات الاصطناعية، والحد من تحيز النماذج، ومنع انهيارها، وذلك من خلال عكس التوزيع الجغرافي والديموغرافي الحقيقي للهند. وتُستخدم بشكل أساسي لدعم مطوري النماذج الهنود في بناء أنظمة ذكاء اصطناعي مستقلة قادرة على دمج الخصائص الديموغرافية والخلفيات الثقافية الخاصة بكل منطقة. تحتوي هذه المجموعة من البيانات على 3 ملايين سجل، لكل منها 7 أدوار شخصيات افتراضية، بإجمالي 21 مليون وصف للشخصية و7.7 مليار رمز، منها 2.9 مليار رمز عبارة عن معلومات متعلقة بالشخصية. تغطي البيانات 36 ولاية وإقليمًا اتحاديًا في الهند، و640 مقاطعة، وتشمل حوالي 560 ألف اسم فريد. وهي متوفرة بثلاث لغات: الإنجليزية، والديفاناغارية، واللاتينية، مع مليون سجل تقريبًا في كل لغة. تستند هذه المجموعة من البيانات إلى معلومات التوزيع الديموغرافي والجغرافي الحقيقية من تعداد السكان الهندي لعام 2011 وسجلات الانتخابات. جميع الشخصيات افتراضية تمامًا ولا ترتبط بأي معلومات هوية شخصية حقيقية؛ كما تم استبعاد بيانات القاصرين دون سن 18 عامًا.

حقول البيانات:

تحتوي مجموعة البيانات على 27 حقل بيانات صالح (باستثناء UUID)، مقسمة إلى 7 حقول سمات شخصية و20 حقل سمات ديموغرافية:

• مجالات سمات الشخصية: تغطي الملف الشخصي المهني، وعادات اللغة، والاهتمامات الرياضية، والمواهب الفنية، وتفضيلات السفر، والعادات الغذائية، والشخصية بشكل عام.
• تشمل مجالات الخصائص الديموغرافية ما يلي: الخلفية الثقافية، والمهارات والخبرات، والاهتمامات والهوايات، والأهداف المهنية، والجنس، والعمر، واللغة، والحالة الاجتماعية، والمستوى التعليمي، ونوع المهنة، واستخدام اللغة، والمنطقة وبلد الإقامة (محددة بالهند).

الاستشهاد

@software{nvidia/Nemotron-Personas-India,
author = {Praveen, Kiran and Vaidya, Utkarsh and Acharya, Evan and Ramaswamy, Lipika and Nathawani, Dhruv and Corneil, Dane and Meyer, Yev},
title = {{Nemotron-Personas-India: Synthetic Personas Aligned to Real-World Distributions for India},
month = {October},
year = {2025},
url = {https://huggingface.co/datasets/nvidia/Nemotron-Personas-India}