Nemotron-Personas-India est un ensemble de données humaines synthétiques pour l'Inde, publié par NVIDIA en 2025. Il vise à améliorer la diversité des données synthétiques, à réduire les biais des modèles et à prévenir leur effondrement en reflétant la répartition géographique et démographique réelle de l'Inde. Il est principalement utilisé pour aider les développeurs de modèles indiens à concevoir des systèmes d'IA souverains capables d'intégrer des caractéristiques démographiques et culturelles spécifiques à la région. Cet ensemble de données contient 3 millions d'enregistrements, chacun comportant 7 rôles de personnages virtuels, soit environ 21 millions de descriptions de personnages et quelque 7,7 milliards d'éléments, dont 2,9 milliards d'informations relatives aux personnages. Les données couvrent 36 États et territoires de l'Union indienne, 640 districts et comprennent environ 560 000 noms uniques. Elles sont disponibles en trois langues : anglais, devanagari et latin, avec environ 1 million d'enregistrements dans chaque version. Cet ensemble de données est basé sur des informations démographiques et géographiques réelles issues du recensement indien de 2011 et des listes électorales. Tous les personnages sont entièrement virtuels et ne correspondent à aucune information d'identité personnelle réelle ; les données relatives aux mineurs de moins de 18 ans ont également été exclues.

Champs de données:

L'ensemble de données contient 27 champs de données valides (UUID exclu), divisés en 7 champs d'attributs de personnalité et 20 champs de caractéristiques démographiques :

• Champs relatifs aux attributs de caractère : profil professionnel, habitudes linguistiques, intérêts sportifs, talents artistiques, préférences de voyage, habitudes alimentaires et personnalité générale.
• Les champs relatifs aux caractéristiques démographiques comprennent : l'origine culturelle, les compétences et l'expertise, les intérêts et les loisirs, les objectifs de carrière, le sexe, l'âge, la langue, l'état civil, le niveau d'éducation, le type de profession, l'usage de la langue, ainsi que la région et le pays de résidence (Inde uniquement).

Citation

@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}