Nemotron-PII는 NVIDIA가 2025년에 발표한 프라이버시 보호 AI를 위한 합성 데이터셋으로, 텍스트에서 개인 식별 정보(PII)와 건강 정보(PHI)를 탐지하고 비식별화하는 기능을 훈련하고 평가하기 위해 설계되었습니다.

이 데이터셋은 50개 이상의 산업 분야를 아우르는 100,000개의 영어 레코드를 포함하며, 미국 인구 조사 데이터를 기반으로 한 합성 인물을 생성하여 인구통계학적 현실감과 맥락 일관성을 보장합니다. 데이터셋은 55개 이상의 PII/PHI 범주에 대한 스팬 수준 주석을 포함하며, 구조화된(예: 표, 인보이스) 및 비구조화된(예: 이메일, 자유 텍스트) 문서를 포괄하고 미국 또는 국제 현지화 규칙을 명확히 표시합니다.

데이터셋 구성

• uid: 문자열/UUID
• domain: 문자열, 산업 분야를 나타냄
• document_type: 문자열, 문서 유형
• document_description: 문자열, 문서 설명
• document_format: 문자열, 구조화 또는 비구조화
• locale: 문자열, us 또는 intl
• text: UTF-8 문자열, 문서 내용
• spans: 목록, 엔터티 경계 및 레이블 포함
• text_tagged: 문자열, 인라인 태그 텍스트

인용

@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}
}