Nemotron-Personas-India ist ein synthetischer Datensatz für Indien, der von NVIDIA im Jahr 2025 veröffentlicht wurde. Ziel ist es, die Diversität synthetischer Daten zu verbessern, Modellverzerrungen zu reduzieren und Modellzusammenbrüche zu verhindern, indem die reale geografische und demografische Verteilung Indiens abgebildet wird. Er dient hauptsächlich dazu, indische Modellentwickler beim Aufbau souveräner KI-Systeme zu unterstützen, die regional spezifische demografische Merkmale und kulturelle Hintergründe berücksichtigen können. Dieser Datensatz umfasst 3 Millionen Einträge mit jeweils 7 virtuellen Charakterrollen, insgesamt etwa 21 Millionen Charakterbeschreibungen und ca. 7,7 Milliarden Tokens, von denen 2,9 Milliarden charakterbezogene Informationen enthalten. Die Daten decken 36 Bundesstaaten und Unionsterritorien Indiens sowie 640 Distrikte ab und beinhalten ca. 560.000 eindeutige Namen. Sie liegen in drei Sprachversionen vor: Englisch, Devanagari und Latein, mit jeweils ca. 1 Million Einträgen. Dieser Datensatz basiert auf realen demografischen und geografischen Verteilungsdaten der indischen Volkszählung und der Wählerverzeichnisse von 2011. Alle Charaktere sind rein virtuell und entsprechen keinen realen Personendaten; Daten von Minderjährigen unter 18 Jahren wurden ebenfalls ausgeschlossen.

Datenfelder:

Der Datensatz enthält 27 gültige Datenfelder (ohne UUID), die in 7 Felder für Persönlichkeitsmerkmale und 20 Felder für demografische Merkmale unterteilt sind:

• Charakterattributfelder: umfassen berufliches Profil, Sprachgewohnheiten, Sportinteressen, künstlerische Talente, Reisevorlieben, Ernährungsgewohnheiten und die allgemeine Persönlichkeit.
• Zu den demografischen Merkmalen gehören: kultureller Hintergrund, Fähigkeiten und Fachkenntnisse, Interessen und Hobbys, Karriereziele, Geschlecht, Alter, Sprache, Familienstand, Bildungsniveau, Berufsart, Sprachgebrauch sowie Region und Land des Wohnsitzes (festgelegt auf Indien).

Zitat

@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}