Датасет · nvidia
Синтетические данные для поиска персональных данных в японском
nvidia/Nemotron-PII-Japan
Набор от NVIDIA для обучения и оценки моделей поиска и маскирования японской персональной информации (PII).
Что внутри
Синтетический датасет от NVIDIA размером от 100 тысяч до 1 миллиона примеров на японском языке для задачи token-classification. Данные построены на основе вымышленных персон и охватывают японские имена, адреса, идентификаторы, финансовые реквизиты, названия организаций и рабочие документы, что позволяет обучать модели без использования реальных конфиденциальных текстов.
Что можно сделать
- Обучение NER-моделей для обнаружения и анонимизации персональных данных (PII) в японских текстах
- Создание фильтров безопасности и DLP-систем для корпоративного документооборота на японском языке
- Тестирование точности извлечения чувствительных сущностей в финансовых и деловых документах
- Задачи
- Разметка токенов
- Языки
- Японский
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 640
- Лайков
- 12
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("nvidia/Nemotron-PII-Japan")