合成ペルソナで韓国語AIエージェントを実社会の属性に適合させる方法

記事一覧へ戻る 今日多くのAIエージェント（AI agents）を支えるモデルは、主に英語のWebデータで学習されています。それらは、韓国語の敬語体系（Korean honorific structures）、地域特有の職業パターン、そして韓国ユーザーが期待する文化的コンテキストを見落としています。米国の医療ワークフロー（U.S. healthcare workflows）を韓国の公衆衛生システムに適用するエージェントは、本番環境での運用にはまだ準備ができていません。 Nemotron-Personas-Koreaはこの課題を解決します。本データセットは、韓国統計情報サービス（Korean Statistical Information Service, KOSIS）、大法院（Supreme Court of Korea）、国民健康保険公団、韓国農村経済研究院の公式統計およびシードデータに基づいた600万人分の完全合成ペルソナ（synthetic personas）を提供します。設計段階ではNAVER Cloudがシードデータとドメイン専門知識を提供しました。 各ペルソナは人口統計学的に正確ですが、個人識別情報（personally identifiable information, PII）を1件も含んでいません。韓国個人情報保護法（Personal Information Protection Act, PIPA）の遵守を念頭に設計されています。また、韓国は機微データの合成版を用いてモデルを学習するためのガバナンスを確立する公式「合成データ生成ガイド（Synthetic Data Generation guide）」を公開している数少ない国の一つです。本データセットもこのアプローチに従っています。 このチュートリアルでは、ホスト型API（hosted APIs）を使用して、データセットのフィルタリングから推論まで約20分で合成ペルソナを実稼働する韓国エージェントに変換する方法を解説します。 韓国専用のデータセット | 属性 | 詳細 | |---|---| | 総ペルソナ数 | 700万人（100万件のレコード × 各7ペルソナ） | | ペルソナフィールド | 26項目：7つのペルソナフィールド、6つの属性フィールド、12の人口統計・地理的文脈フィールド、および1つの一意識別子 | | 地理的カバー範囲 | 韓国の全17道・広域市および25区 | | 氏名 | 約20万9千の固有名称（118姓、約2万1400名） | | 職業 | テクノロジー、製造業、公的部門などを反映した2000以上のカテゴリ | | ペルソナタイプ | プロフェッショナル、ファミリー、スポーツ、アート、トラベル、料理、簡潔版 | | 人生の段階 | 学生、兵役、雇用、失業、退職 | | 言語 | 自然な韓国語 | | ライセンス | CC BY 4.0 | Nemotron-Personas-Koreaは、合成データ用のNVIDIAオープンソース複合AIシステムであるNeMo Data Designerを使用して生成されました。このパイプライン（pipeline）は、統計的根拠付けのための確率的グラフィカルモデル（Probabilistic Graphical Model, Apache-2.0）と、韓国語によるナラティブ生成のためのGemma-4-31Bを組み合わせます。人口データはKOSIS（2020～2026年版）から取得し、名前の分布は大法院（Supreme Court of Korea）から提供されます。 Nemotron-Personas-Koreaは、米国、日本、インド、シンガポール（AI Singapore協力）、ブラジル（WideLabs協力）、フランス（Pleias協力）もカバーするNemotron-Personas Collectionの最新追加です。韓国ユーザーに加え他の市場にも対応するマルチリンガルエージェント（multilingual agent）を構築する場合、同じパイプライン内で国を跨いだペルソナをブレンドすることができます。 自律型エージェントにとってこれが重要な理由 現在の多くのエージェントはアイデンティティを認識しません。提供先のユーザー属性に基づかず、指示に従うだけです。例えば、米国の予約システムを用いて韓国の病院の予約を行うエージェントや、60代の患者に반말（「banmal」、丁寧でない話し方）で話すエージェントは、単に違和感があるだけでなく、失敗します。 Nemotron-Personas-Koreaは、エージェントに韓国の運用コンテキスト（operating context）を与えることでこの問題を変えます。システムプロンプト（system prompt）にペルソナ（persona）を読み込ませれば、エージェントはそのペルソナの地域、職業、コミュニケーション規範、ドメイン固有の専門知識を継承します。 これはあらゆるエージェントフレームワーク（agent framework）で動作します。NemoClaw（常時稼働型エージェントをNVIDIA OpenShellサンドボックスで実行するためのNVIDIAオープンソース参照スタック。RTX PCからDGX Sparkまであらゆるハードウェアに対応）でデプロイするか、NVIDIA NIM（NVIDIA NIM）を通じて本番環境の推論（inference）を提供するか、直接NVIDIA APIを呼び出してください。ペルソナレイヤーはフレームワーク非依存（framework-agnostic）であり、実際の韓国の人口統計データに基づいた構造化されたシステムプロンプトとして機能します。 チュートリアル：合成ペルソナから自律エージェントへ 🔗 リソース - トレーニングのシード（seeding）用 Nemotron-Personas-Korea - ドメイン固有データ合成用 NeMo Data Designer - 常時稼働エージェントのデプロイ（deploying）用 NVIDIA NemoClaw - コミュニティサポート用 NVIDIA Developer Discord ステップ1：データセットの読み込みと探索 データセットを読み込み、利用可能な内容を確認します。各レコードには、構造化された人口統計フィールドと、リッチな自然言語によるペルソナ（persona）の物語が含まれています。 ```python from datasets import load_dataset # Load the Korea personas dataset dataset = load_dataset("nvidia/Nemotron-Personas-Korea") # See all available fields print(dataset["train"].column_names) # Preview a single record to understand the schema print(dataset["train"][0]) ``` ステップ2：ペルソナのフィルタリングと選択 職業、地域、年齢、またはフィールドの任意の組み合わせでデータセットをフィルタリングし、対象ドメインに一致するペルソナ（persona）を探します。ここでは韓国の公衆衛生エージェントを構築します。 ```python # Filter for healthcare-related occupations # "보건" = public health, "간호" = nursing, "의료" = medical, "의사" = doctors health_personas = dataset["train"].filter( lambda x: "보건" in x["occupation"] or "간호" in x["occupation"] or "의료" in x["occupation"] ) print(f"Found {len(health_personas)} health personas") # Select one persona to ground your agent persona = health_personas[0] print(persona) ``` 地域（例：済州島在住の医療従事者のみ）、学歴、ライフステージなどでさらに絞り込むことも可能です。データセットは十分に大きく、非常に特定のセクションを見つけることができます。 ステップ3：エージェントの行動定義 これが、ペルソナデータがエージェントの行動へと変換される部分です。構造化されたフィールド——名前、地域、職業、スキル——がエージェントのアイデンティティとなります。その上に行動指示とタスクスコープをレイヤーとして重ねます。結果として、特定の役割と地域における韓国のプロフェッショナルのように推論するエージェントが完成します。 ```python # ペルソナ属性からシステムプロンプトを構築する # 以下のプロンプトはエージェントに対して以下を実行するよう指示します: # - 丁寧な韓国語（존댓말）で回答する # - 地域の公衆衛生クリニックに関するガイダンスを提供する # - 韓国の公衆衛生政策に基づいて回答する # - 相談において文化的文脈を考慮する system_prompt = f"""あなたは韓国の公衆衛生相談AIエージェントです。 [アイデンティティ] # Identity - 名前: {persona['name']} # Name - 地域: {persona['region']} # Region - 職業: {persona['occupation']} # Occupation - 専門分野: {persona['skills']} # Specialization [行動ガイドライン] # Behavior guidelines - 韓国語の丁寧語（존댓말）を使用して回答してください。 # Use formal Korean - 地域の保健所および公衆医療制度に関する案内を提供してください。 # Guide on local clinics - 韓国の公衆衛生政策と手順に基づき、正確な情報を提供してください。 # Follow KR health policy - 文化的文脈を考慮して相談に乗ってください。 # Consider cultural context [タスクスコープ] # Task scope - 予防接種スケジュールの案内 # Vaccination scheduling - 健康診断の手順の説明 # Health screening procedures - 地域の保健資源への接続 # Connect to local health resources - 公衆衛生に関する一般的な相談 # General public health consultation """ ``` ステップ4：エージェントのデプロイ ペルソナに grounds を置いたプロンプトを推論用モデルに接続します。セットアップに応じて、以下の3つのオプションから選択できます： NVIDIA API catalog — 最も迅速なテスト方法（以下参照） NVIDIA NIM — 本番環境向けデプロイのためのセルフホスト型推論 NemoClaw — 常時稼働エージェントのデプロイ用リファレンススタック。DGX Spark経由でRTX PCを含むあらゆる環境で実行可能 ```python from openai import OpenAI # NVIDIA API catalog（OpenAI互換） client = OpenAI( base_url="https://integrate.api.nvidia.com/v1", api_key="nvapi-YOUR_KEY" # build.nvidia.com でキーを取得 ) response = client.chat.completions.create( model="nvidia/nemotron-nano-8b-v1", messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": "독감 예방접종은 언제 맞아야 하나요?"} # 「インフルエンザの予防接種はいつ受ければよいですか？」 ], temperature=0.7, max_tokens=512 ) print(response.choices[0].message.content) ``` 同じワークフローはあらゆるドメインに適用可能です。ペルソナフィルターとタスクスコープを入れ替えれば、新しいエージェントが完成します。금융（「geum-yung」、金融）ペルソナはリテール銀行アドバイザーになり、교육（「gyoyug」、教育）ペルソナは家庭教師アシスタントになり、공무원（「gongmuwon」、公務員）ペルソナは政府保健サービスエージェントになります。 グランディング（Grounding）がもたらす変化 以下は、同じ質問——「독감 예방접종은 언제 맞아야 하나요?」（インフルエンザの予防接種はいつ受ければよいですか？）——に対する回答で、ペルソナによるグランディングの有無を比較したものです。 言語 英語または一般的な韓国語で応答 健康相談に適した自然な존댓말（敬語） コンテンツ CDC（米国疾病管理予防センター）または世界のガイドラインを参照 韓国の보건소（保健所）のスケジュールおよび国家予防接種プログラムを参照 具体性 「地元のクリニックを受診してください」 地域文脈を踏まえた「가까운 보건소에서 무료 접종이 가능합니다」（近くの保健所で無料接種が可能です） 信頼性 なし 韓国の公衆衛生政策を引用し、専門的な医療韓国語を使用 このペルソナは翻訳を超えたものです——文脈を付与し、ユーザーが信頼するエージェントを実現します。 私たちと一緒にソウルで開発しましょう NVIDIA Nemotron Developer Daysが、本日および明日の2026年4月21日～22日にソウルで開催されます。本イベントがGTC以外で実施されるのは今回が初めてです。主権AI（sovereign AI）やオープンモデル（open models）に関する技術セッションに加え、実習ハッカソン（hackathon）も用意されており、Nemotron-Personas-Koreaを活用してドメイン固有の韓国語エージェントや爪（claw）🦞を構築する機会があります。 対面またはライブ配信でご参加ください。開発した成果を投稿すれば、今後のNVIDIAチュートリアルで紹介されるチャンスがあります。

合成ペルソナで韓国語AIエージェントを実社会の属性に適合させる方法

背景や根拠まで確認しますか？

調べる

選ぶ

サイト