Nemotron-PII ist ein von NVIDIA im Jahr 2025 veröffentlichter synthetischer Datensatz für datenschutzorientierte KI, der darauf abzielt, die Erkennung und Anonymisierung von personenbezogenen Daten (PII) und Gesundheitsinformationen (PHI) in Texten zu trainieren und zu bewerten.

Der Datensatz enthält 100.000 englische Datensätze, die über 50 Branchen abdecken, und verwendet synthetische Profile, die auf US-Volkszählungsdaten basieren, um demografische Realität und kontextuelle Konsistenz zu gewährleisten. Der Datensatz umfasst Span-Level-Annotationen für mehr als 55 PII/PHI-Kategorien, die strukturierte (z. B. Tabellen, Rechnungen) und unstrukturierte (z. B. E-Mails, Freitext) Dokumente abdecken und explizit US-amerikanische oder internationale Lokalisierungskonventionen kennzeichnen.

Datenbestandteile

• uid: Zeichenfolge/UUID
• domain: Zeichenfolge, Branchenbereich
• document_type: Zeichenfolge, Dokumenttyp
• document_description: Zeichenfolge, Dokumentbeschreibung
• document_format: Zeichenfolge, strukturiert oder unstrukturiert
• locale: Zeichenfolge, us oder intl
• text: UTF-8-Zeichenfolge, Dokumentinhalt
• spans: Liste, enthält Entitätsgrenzen und Labels
• text_tagged: Zeichenfolge, Inline-markierter Text

Zitierung

@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}
}