Nvidia e Elith lançam base sintética com 9 milhões de personas financeiras no Japão
Dataset aberto traz 1,5 bilhão de tokens e 50 atributos demográficos sob licença CC BY 4.0 para treinar e testar agentes bancários sem expor dados reais.
Por que importa. Permite que times de produto simulem clientes e testem agentes financeiros complexos com dados sintéticos auditáveis, sem violar leis de privacidade ou depender de bases de clientes reais.
A Nvidia e a empresa de inteligência artificial Elith publicaram nesta segunda-feira o Nemotron-Personas-Finance-Japan, uma base de dados sintética aberta que reúne 9 milhões de perfis de usuários com contexto financeiro e demográfico japonês. O material foi disponibilizado no Hugging Face sob a licença permissiva Creative Commons Attribution 4.0 (CC BY 4.0), que autoriza o uso para fins comerciais e pesquisa sem cobrança de royalties.
A nova base expande o projeto Nemotron-Personas-Japan e soma cerca de 1,5 bilhão de tokens, dos quais aproximadamente 750 milhões correspondem a descrições textuais das personas. Cada registro possui 50 campos estruturados, incluindo 30 variáveis contextuais calibradas por dados demográficos e estatísticas oficiais de emprego do governo japonês, abrangendo mais de 1.600 categorias de ocupação profissional e cerca de 950 mil nomes próprios distintos.
Em instituições financeiras e fintechs, o uso de históricos reais de clientes para instruir modelos de linguagem esbarra em segredo bancário, regras rígidas de conformidade e riscos de vazamento. O dataset tenta solucionar esse gargalo ao reproduzir níveis de renda, patrimônio líquido familiar, comportamento de consumo e literacia digital de forma inteiramente sintética, sem incluir informações de cidadãos reais.
Pipeline com modelos probabilísticos e gemma-4
Para gerar a distribuição dos dados estatísticos, os desenvolvedores utilizaram o NeMo Data Designer, sistema corporativo da Nvidia para geração de dados sintéticos que opera com validação de esquemas via Pydantic e execução automatizada de tentativas. O cálculo das distribuições correlacionadas ficou a cargo do NeMo SDG-PGMs, um framework aberto de modelos gráficos probabilísticos distribuído sob licença Apache-2.0.
A redação das personas em japonês natural foi realizada com o modelo de linguagem gemma-4-31B-it, também aberto. A modelagem introduziu faixas educacionais e perfis econômicos que costumam ser agregados em levantamentos públicos, como estudantes, aposentados, trabalhadores temporários e empreendedores locais, associando a cada um deles atitudes em relação a investimentos e planejamento orçamentário.
A estruturação dos campos contou com a colaboração e validação de instituições do mercado financeiro do país, entre elas Mizuho Financial Group, Sompo Japan, Tokio Marine Holdings, Bank of Fukuoka, Meiji Yasuda Life Insurance e a Financial Data Utilization Association (FDUA).
Simulação de usuários e validação de privacidade
Na esteira da publicação, as equipes disponibilizaram integração direta com o NeMo User Sim, ambiente de simulação da Nvidia voltado a testar sistemas conversacionais e equipes de agentes autônomos. A ferramenta permite instanciar personas com diferentes graus de sofisticação financeira para avaliar se assistentes virtuais de atendimento respeitam regras de recomendação e mantêm consistência em diálogos longos.
Em paralelo, a Nvidia lançou o Nemotron-PII-Japan, um conjunto complementar composto por 100 mil documentos empresariais sintéticos que contêm dados pessoais identificáveis anotados. Esse arquivo adicional foi desenvolvido para equipes treinarem classificadores de detecção e ferramentas de anonimização automática antes que mensagens de clientes sejam repassadas a modelos de terceiros.
Apesar do volume e da abertura do código, a documentação publicada no Hugging Face não traz benchmarks independentes comparando o desempenho de modelos ajustados com a base sintética frente a modelos calibrados com dados empíricos de mercado. A empresa também não detalhou custos de computação necessários para replicar a infraestrutura de geração em outros países ou moedas.
Fontes
- Hugging Face: Nemotron-Personas-Finance-Japan: A Synthetic Dataset Capturing Japan's Demographics and Financial Context
Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.
