Nemotron-PII هو مجموعة بيانات اصطناعية موجهة للخصوصية في الذكاء الاصطناعي، أصدرتها NVIDIA في عام 2025، وتهدف إلى تدريب وتقييم قدرات اكتشاف وتنقية المعلومات الشخصية القابلة للتعريف (PII) والمعلومات الصحية (PHI) في النصوص.

تحتوي مجموعة البيانات على 100,000 سجل باللغة الإنجليزية، تغطي أكثر من 50 قطاعًا صناعيًا، ويتم توليدها باستخدام شخصيات اصطناعية مبنية على بيانات التعداد السكاني الأمريكي، مما يضمن واقعية ديموغرافية واتساقًا سياقيًا. تتضمن المجموعة تعليقات توضيحية على مستوى النطاقات لأكثر من 55 فئة من فئات PII/PHI، وتغطي المستندات المهيكلة (مثل الجداول والفواتير) وغير المهيكلة (مثل البريد الإلكتروني والنصوص الحرة)، مع تحديد واضح لاتفاقيات التوطين الأمريكية أو الدولية.

مكونات مجموعة البيانات

• uid: سلسلة/UUID
• domain: سلسلة، تمثل القطاع الصناعي
• document_type: سلسلة، نوع المستند
• document_description: سلسلة، وصف المستند
• document_format: سلسلة، مهيكل أو غير مهيكل
• locale: سلسلة، us أو intl
• text: سلسلة UTF-8، محتوى المستند
• spans: قائمة، تحتوي على حدود الكيانات والتسميات
• text_tagged: سلسلة، نص موسوم داخل السطر

Citation

@dataset{nemotron-pii,
  author = {Amy Steier and Andre Manoel and Alexa Haushalter and Maarten Van Segbroeck},
  title = {Nemotron-PII: Synthesized Data for Privacy-Preserving AI},
  year = {2025},
  publisher = {NVIDIA},
  url = {https://huggingface.co/datasets/nvidia/Nemotron-PII}
}