NVIDIAとElith、日本の家計・金融知識を含む合成人物データを公開

ElithとNVIDIAは、日本の人口構成や家計の状況を反映した合成人物データセット「Nemotron-Personas-Finance-Japan」を公開しました。実顧客のデータを使わずに、金融分野の対話AIの開発や顧客シミュレーション、応答の評価に利用でき、商用利用にも対応しています。

100万件のレコードに900万の人物記述を収録

このデータセットは、日本向けの架空の人物像を集めた「Nemotron-Personas-Japan」を金融分野向けに拡張したものです。100万件のレコードにそれぞれ9種類の人物記述を収め、計900万の記述を自然な日本語で提供します。NVIDIAは、把握する限り、日本の公的統計と家計・金融リテラシーの情報を組み合わせた100万件規模のオープンな人物データセットとして初めてだとしています。

各レコードは、人物記述の9項目、人物属性の11項目、人口・労働統計に基づく背景情報の30項目という計50項目で構成されます。従来のNemotron-Personas-Japanの22項目から増え、人物記述の数も50％増加しました。全体の規模は、文章を処理する単位であるトークンで約15億、うち人物記述は約7億5000万トークンです。

収録内容には、職業や趣味のほか、金融行動、金銭面の悩み、お金への姿勢、資金計画などが含まれます。個人の所得や消費傾向に加え、世帯単位の金融資産・実物資産、インターネットやスマートフォンの利用、金融知識も扱います。氏名は約95万種類、職業は1600以上の分類を収録しています。

すべての人物像は合成されたもので、実在する個人の記録から作るのではなく、公的統計や公開調査の分布を基に生成しています。氏名も日本の命名パターンに沿って作られています。ライセンスはCC BY 4.0で、商用・非商用の双方で利用できます。

統計モデルと日本語生成を組み合わせる

生成には、合成データ生成システム「NeMo Data Designer」と、確率的グラフィカルモデルを扱う「NeMo SDG-PGMs」を使用しています。日本語テキストの生成には「gemma-4-31B-it」を用いています。

確率的グラフィカルモデルは、複数の項目が取る値の組み合わせの確率を、変数を表す点とその関係を示す線で表現する方法です。有向グラフを使うベイジアンネットワークでは、ある変数の確率を、その変数に矢印を向ける「親」の値に応じた条件付き確率として表せます。

このデータセットが採用する統計モデルの基礎となるのは、こうした項目間の関係の扱いです。各項目を独立に抽選する場合、組み合わせの確率は各項目の確率の積になります。一方、条件付き確率を使うモデルでは、別の項目の値に応じて確率が変わる関係を表現できます。

人物像の設計では、教育経路を細分化し、経営者や専門職などの職業分類を追加しています。学生、退職者、失業中の人といった生活段階も取り込みました。設計には、損害保険ジャパン、東京海上ホールディングス、福岡銀行、みずほフィナンシャルグループ、明治安田生命保険、金融データ活用推進協会の知見や意見を反映しています。

顧客対応の評価と個人情報検出に活用

想定する用途は、顧客対応AIの構築、営業会話やマーケティング施策の評価、人物像を起点にした複数往復の対話データ生成などです。ユーザーシミュレーション用の仕組み「NeMo User Sim」との連携にも対応します。地域、年齢、教育歴、経済状況の異なる人物像を使い、AIの応答に偏りがないかを調べる用途も想定されています。

同日には、個人情報にラベルを付けた日本語の合成ビジネス文書10万件を収める「Nemotron-PII-Japan」も公開されました。こちらはNemotron-Personas-Japanを基に作られ、個人情報を検出したり、文書から伏せたりするモデルの学習・試験に使います。顧客の振る舞いを模擬する金融向け人物データと、情報保護の処理を試す文書データを組み合わせる用途が想定されています。

合成データの保護効果は生成方法で異なる

合成データの生成方法には、統計値を使うもののほか、元データから確率モデルを構築するものなどがあり、元データの統計的特徴を保持したデータを生成できます。一方、その特徴から元データの情報を推測する攻撃も研究されています。

合成データと匿名加工の比較では、生成手法によって結果が異なります。「International Journal of Information Security」に掲載された研究では、比較対象の各データセットで、少なくとも一つの合成データ生成手法が、匿名化手法の一つであるk匿名化より良好なプライバシー保護と有用性のバランスを示しました。ただし、すべての生成手法が、すべてのデータセットで優位だったわけではありません。

顧客シミュレーションでは回答のばらつきも検証対象に

人物像を大規模言語モデル（LLM）に与えて顧客を模擬する用途については、人間との応答の違いを調べた研究があります。UC IrvineとCohereの研究チームは、米国、インド、ケニア、ナイジェリアの参加者を対象に、小売業務の対話課題で人間とLLMによる模擬ユーザーを比較しました。模擬ユーザーに使うLLMによって、AIエージェントの課題成功率には最大9ポイントの差があり、難しい課題では人間相手の性能を過小評価し、中程度の課題では過大評価する傾向が見られました。

意見調査でも、集団全体の傾向と個々の回答の再現には違いがあります。Carolin Kaiser氏らは、米国の461人による清涼飲料の選好調査と、各参加者の人口統計的属性に合わせた合成人物の回答を比較しました。合成回答は集団としての主観的な順位を近似した一方、肯定的な評価を多く出し、人間の回答よりばらつきが小さくなりました。

UC IrvineとCohereの研究チームは、模擬ユーザーだけに依存した評価の妥当性に疑問を示し、実際の人間との対話を通じた検証の重要性を指摘しています。