Nemotron-PII は、NVIDIA が2025年に公開した、プライバシー保護AI向けの合成データセットであり、テキスト内の個人識別情報（PII）および健康情報（PHI）の検出と匿名化能力を訓練・評価することを目的としています。

このデータセットには、50以上の業界分野をカバーする100,000件の英語レコードが含まれており、米国国勢調査データに基づく合成キャラクターを使用して生成され、人口統計学的な現実感と文脈の一貫性が確保されています。 データセットには、55以上のPII/PHIカテゴリにわたるスパンレベルのアノテーションが含まれ、構造化（表、請求書など）および非構造化（メール、自由テキストなど）ドキュメントを網羅し、米国または国際的なローカライゼーション慣行が明確に示されています。

データセット構成

• uid: 文字列/UUID
• domain: 文字列。業界分野を示す
• document_type: 文字列。ドキュメントタイプ
• document_description: 文字列。ドキュメントの説明
• document_format: 文字列。構造化または非構造化
• locale: 文字列。us または intl
• text: UTF-8 文字列。ドキュメントの内容
• spans: リスト。エンティティの境界とラベルを含む
• text_tagged: 文字列。インラインタグ付きテキスト

引用

@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}
}