Nemotron-Personas-Indiaは、NVIDIAが2025年に公開したインド向けの合成人間データセットです。インドの実際の地理的および人口統計的分布を反映することで、合成データの多様性を向上させ、モデルのバイアスを軽減し、モデルの崩壊を防ぐことを目的としています。主に、地域特有の人口統計的特徴や文化的背景を取り入れた独自のAIシステムを構築する際に、インドのモデル開発者を支援するために使用されます。 このデータセットには、それぞれ7つの仮想キャラクターロールを持つ300万件のレコードが含まれており、合計で約2100万件のキャラクター記述と約77億トークン（うち29億トークンはキャラクター関連情報）が含まれています。データはインドの36の州と連邦直轄領、640の地区を対象とし、約56万の固有名が含まれています。英語、デーヴァナーガリー文字、ラテン文字の3つの言語バージョンで提供され、各言語バージョンに約100万件のレコードが含まれています。このデータセットは、2011年のインド国勢調査と選挙人名簿からの実際の人口統計情報と地理的分布情報に基づいています。すべてのキャラクターは完全に仮想であり、実際の個人識別情報とは対応していません。18歳未満の未成年者に関するデータも除外されています。

データフィールド:

このデータセットには、有効なデータフィールドが27個（UUIDを除く）含まれており、7つの性格属性フィールドと20の人口統計学的特徴フィールドに分けられます。

• 人物属性項目：職業経歴、言語習慣、スポーツへの関心、芸術的才能、旅行の好み、食習慣、そして全体的な性格を網羅する。
• 人口統計学的特性の項目には、文化的背景、スキルと専門知識、興味と趣味、キャリア目標、性別、年齢、言語、婚姻状況、教育レベル、職業の種類、言語使用、居住地域と国（インドに固定）が含まれます。

引用

@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}