Nemotron-PII est un ensemble de données synthétiques publié par NVIDIA en 2025, destiné à la protection de la vie privée dans l'IA, conçu pour entraîner et évaluer la détection et la désidentification des informations personnelles identifiables (PII) et des informations de santé protégées (PHI) dans les textes.

Cet ensemble de données contient 100 000 enregistrements en anglais, couvrant plus de 50 secteurs industriels, générés à partir de personnages synthétiques basés sur les données du recensement américain, garantissant un réalisme démographique et une cohérence contextuelle. Il comprend des annotations au niveau des segments pour plus de 55 catégories de PII/PHI, couvrant des documents structurés (comme des tableaux, des factures) et non structurés (comme des e-mails, du texte libre), avec une indication claire des conventions de localisation américaines ou internationales.

Composition de l'ensemble de données

• uid : chaîne/UUID
• domain : chaîne, représentant le secteur industriel
• document_type : chaîne, type de document
• document_description : chaîne, description du document
• document_format : chaîne, structuré ou non structuré
• locale : chaîne, us ou intl
• text : chaîne UTF-8, contenu du document
• spans : liste, contenant les limites des entités et les étiquettes
• text_tagged : chaîne, texte avec balises en ligne

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}
}