Nemotron-Personas Singapore: datos sintéticos para IA local | Keryc
NVIDIA y AI Singapore lanzan Nemotron-Personas-Singapore, un dataset sintético pensado para quien desarrolla IA con requisitos locales y regulatorios. ¿Por qué importa esto ahora? Porque la soberanía de la IA no es sólo tener modelos; es tener datos, evaluaciones y métricas que reflejen la realidad social sin exponer a personas reales.
Qué es Nemotron-Personas-Singapore
Es una colección sintética de personas diseñada para entrenar y evaluar sistemas de IA orientados a Singapur. Fue co-creada con AI Singapore (AISG) y liberada bajo licencia CC BY 4.0, lo que facilita su uso en proyectos comerciales y del sector público sin depender de información personal identificable.
El dataset busca ser culturalmente contextualizado y estadísticamente fundado: no hay individuos reales, no hay PII, y se minimiza el riesgo de reidentificación al basar la generación en estadísticas públicas, incluyendo el censo de 2024 y otras fuentes oficiales.
Datos clave y estructura
888,000 personas sintéticas (148,000 registros × 6 personas por registro).
~118 millones de tokens en total, con ~48 millones de tokens pertenecientes a las descripciones de persona.
38 campos por registro: 7 campos de persona + 31 campos contextuales alineados a estadísticas oficiales.
Cobertura geográfica completa: las 55 planning areas de Singapur.
Nombres: 148k nombres únicos (8,992 nombres de pila, 4,182 nombres intermedios, 4,894 apellidos) muestreados según distribuciones locales.
Tipos de persona variados: profesional, deportes, artes, viajes, entre otros.
Estos atributos incluyen educación con niveles más finos que los del censo, ocupación coherente con la fuerza laboral de servicios, etapas de vida (empleo, jubilación, composición del hogar), idioma preferido, religión, etnia y familiaridad digital por cohortes de edad.
Cómo se generó (visión técnica)
La generación usó NeMo Data Designer, el microservicio de NVIDIA para datos sintéticos en entornos empresariales. El pipeline combinó:
Un Probabilistic Graphical Model (licencia Apache-2.0) para el anclaje estadístico a las distribuciones públicas.
GPT-OSS-120B (licencia Apache-2.0) para la generación narrativa de las descripciones de persona.
La idea es separar la estructura estadística (qué probabilidades debe respetar cada atributo) de la parte narrativa (cómo suena o se cuenta la historia de cada persona). Eso ayuda a crear entradas reproducibles, auditables e inspeccionables para evaluación de modelos.
Propósitos y casos de uso
Nemotron-Personas-Singapore está pensada principalmente para equipos que construyen IA «soberana» en Singapur, pero también para desarrolladores globales que necesitan mejorar rendimiento y adopción en contextos singapurenses.
Usos prácticos:
Servicios financieros: pruebas de sesgo, checks de idoneidad y stress tests sin usar datos sensibles de clientes.
Salud: evaluación segura de asistentes clínicos, chatbots para pacientes y traducción médica en distintos niveles de alfabetización.
Seguridad del consumidor: detección de alucinaciones, fallos de tono y riesgos por grupo demográfico.
Benchmarking: entradas estandarizadas y model-agnostic para comparaciones reproducibles entre modelos e instituciones.
Alineamiento regulatorio y gobernanza
La generación está diseñada para reducir fricción regulatoria, apoyando cumplimiento con la Personal Data Protection Act (PDPA) de Singapur y con marcos emergentes de gobernanza de IA. Las personas son completamente sintéticas y la metodología se documenta para facilitar auditorías, revisiones y supervisión basada en evidencia.
Integración y extensibilidad
Nemotron-Personas-Singapore se integra con modelos Nemotron y otros LLMs abiertos para fine-tuning y evaluación. Además, habrá una versión extendida disponible directamente dentro de NeMo Data Designer para que los desarrolladores generen, refinen y expandan personas específicas como parte de pipelines sintéticos propios.
Ejemplo rápido para cargar el dataset con Hugging Face:
from datasets import load_dataset
dataset = load_dataset("nvidia/nemotron-personas-singapore")
Riesgos y límites
Ningún dataset sintético elimina todos los riesgos: debes validar que las distribuciones y sesgos estadísticos reflejen lo que necesitas. La aproximación estadística reduce riesgos legales y de privacidad, pero también exige cuidado al usar los datos para decisiones de alto impacto (por ejemplo, crédito o diagnóstico médico).
Tampoco es una solución mágica para equidad: las personas sintéticas reproducen las decisiones de diseño (qué atributos incluyes, cómo modelas ocupaciones, niveles educativos, etc.). Por eso la trazabilidad y la documentación del pipeline son claves.
¿Para quién es esto y por qué te importa?
Si trabajas en modelos para Singapur, esto acelera la creación de benchmarks localmente relevantes y auditablemente reproducibles. Si eres responsable de cumplimiento o supervisión, ofrece una base común para evaluaciones entre equipos e instituciones. Y si eres investigador o ingeniero, te da una plataforma para experimentar con personas sintéticas sin exponerte a PII.
Al final, la soberanía de la IA se convierte en una práctica: datos localmente relevantes, transparencia en el diseño y herramientas que permiten colaboración entre sector público y privado.
