shivaniachary123/Nemotron-PII

Nemotron-PII是一个合成的、基于人物角色的数据集，专为训练和评估在文本中检测个人可识别信息（PII）和受保护健康信息（PHI）而设计，达到生产质量水平。该数据集包含100,000条英文记录，覆盖50多个行业（如医疗保健、金融、网络安全），并提供了55个以上PII/PHI类别的跨度级标注（例如姓名、社会安全号码、医疗记录号码、地址、电话号码、电子邮件、账户号码）。数据通过NVIDIA NeMo Data Designer生成，使用基于美国人口普查数据的合成人物角色，以确保人口统计真实性和上下文一致性。数据集包括结构化文档（如表单、发票）和非结构化文档（如电子邮件、自由文本），并明确标记了每条记录的区域惯例（美国或国际），其中国际记录中约12%包含美国风格的重叠，以反映真实世界数据的多样性。数据集格式为Parquet，也提供JSONL（UTF-8）和CSV导出，适用于商业用途，旨在支持医疗保健、金融、法律和企业合规场景中的命名实体识别模型，以及对话AI安全和跨境隐私工具的开发。

Nemotron‑PII is a synthetic, persona‑grounded dataset for training and evaluating detection of Personally Identifiable Information (PII) and Protected Health Information (PHI) in text at production quality. It contains 100,000 English records across 50+ industries with span‑level annotations for 55+ PII/PHI categories, generated with NVIDIA NeMo Data Designer using synthetic personas grounded in U.S. Census data to ensure demographic realism and contextual consistency. This dataset includes both structured (e.g., forms, invoices) and unstructured (e.g., emails, free text) documents and explicitly marks locale conventions (U.S. or international) per record.