Home

Synthetische data: negen miljoen persona’s

Nvidia telt negen miljoen persona’s in één miljoen records. Bekijk de echte datasetvelden en maak een controleprotocol voor je test met synthetische data.

Naar de datasetkaart

Door Redactie WatisAI ·

Onderzoekers vergelijken een kunstmatig klantprofiel met statistieken en verschillende beschrijvingen.

11 november 2026

1 miljoenrecords volgens de datasetkaart
9beschrijvingen per record
50velden per record

Negen miljoen persona’s klinkt als een enorme klantenpopulatie. Bij de nieuwe synthetische data van Elith en Nvidia gaat het om één miljoen records, elk met negen beschrijvingen van een fictief persoon. Die negen miljoen zijn dus geen negen miljoen ondervraagde Japanners.

De datasetkaart van Nemotron Personas Finance Japan noemt 10 november 2026 als releasedatum. Unite.AI berichtte er op 9 november over. De kaart is hier leidend voor de versie: 1.0, in het Japans, bedoeld voor het ontwikkelen en testen van AI voor Japan.

Eén record, negen invalshoeken1.000.000 × 9= 9.000.000 beschrijvingenFinanciën • gedrag • geldzorgenWerk • sport • kunst • reizenKoken • algemeen profiel
Eigen weergave van de telling in de datasetkaart van Elith en Nvidia, versie 1.0.

Waarom zijn negen miljoen persona’s geen onderzoekspanel?

De negen beschrijvingen per record gaan onder meer over werk, sport en omgang met geld. Eén fictief persoon komt daardoor vanuit verschillende kanten in beeld. De rekensom is één miljoen records × negen beschrijvingen = negen miljoen persona’s. Een antwoord over koopgedrag blijft gegenereerde tekst.

Wie wat is AI wil begrijpen, ziet hier een bruikbaar onderscheid: bij machine learning kunnen extra voorbeelden helpen, maar meer tekst levert niet vanzelf meer onafhankelijke waarnemingen op.

RecordEén samenhangend fictief profiel met een uuid.
PersonaEen beschrijving vanuit een onderwerp, bijvoorbeeld geldzorgen.
EnquêteantwoordNiet wat deze gegenereerde beschrijvingen voorstellen.
Drie begrippen die bij de telling uit elkaar moeten blijven.

Zoek velden in de synthetische data

Zoek in de 50 echte veldnamen, kies je taak en maak een protocol voor je volgende controle. De selectie draait lokaal in je browser. Er wordt geen taalmodel aangeroepen en je invoer wordt niet verstuurd.

Datasetkaart: 50 velden, lokaal zoeken

50 van 50 velden zichtbaar

Zoeken filtert de lijst; eerder gekozen velden blijven geselecteerd. Uitgevinkt is uitgesloten.

Tien records bekeken, geen modelkwaliteit gemeten

Op 11 november haalden we de eerste tien records op via de openbare datasetviewer. Alle tien hadden 50 velden. Het antwoord van de viewer vermeldde één miljoen rijen voor de volledige set. We controleerden de structuur, niet de juistheid van alle gegenereerde eigenschappen of de prestaties van een AI.

De financiële velden maken een verschil dat je makkelijk mist: personal_income gaat over de persoon, household_financial_assets over het huishouden. Het vermogen van ouders kan dus terugkomen bij een jongvolwassene die thuis woont, zoals de kaart ook uitlegt.

Controle op eerste tien recordsWaargenomen
Opgehaalde records10
Velden per record50 bij alle tien
Records volgens viewer1.000.000
AI antwoorden beoordeeldGeen
Eigen structuurcontrole, 11 november 2026. De eerste tien records zijn geen willekeurige steekproef.

Een oefenklant is nuttig; een marktvoorspelling niet

Een gesprekssysteem oefenen met fictieve klanten is een zinnige toepassing. Je kunt variëren in geldzorgen, internetgebruik en financiële kennis zonder daarvoor echte klantdossiers in je ontwikkelomgeving te laden. Dezelfde tekst gebruiken om te bepalen hoeveel klanten een product willen, geeft schijnzekerheid.

Ook het enthousiaste argument voor synthetische data heeft een zwakke plek. Een verdeling die op officiële statistieken steunt, bewijst niet dat alle combinaties kloppen. De makers nemen bijvoorbeeld aan dat beroep onafhankelijk is van opleiding als prefectuur en sekse bekend zijn. Dat is een modelaanname, geen vaststelling over iedere klant.

Bij large language models moet je vloeiende tekst apart van juiste inhoud beoordelen. Dat geldt hier ook. De woorden “synthetisch” en “open” vervangen de controles voor AI en privacy en AI veiligheid niet.

Wel als testmateriaal

Kan het systeem vragen begrijpelijk beantwoorden bij verschillende fictieve profielen?

Geen meting van klanten

Hoeveel echte Nederlanders willen dit product kopen? Daarvoor ontbreken echte antwoorden.

Onze toepassingstoets: gespreksvariatie is een andere taak dan marktonderzoek.

Bij je volgende controle telt het resultaat per scenario

De datasetkaart van Elith en Nvidia (10 november 2026) vermeldt CC BY 4.0 en gebruik voor commerciële en niet commerciële doeleinden. Bewaar bij hergebruik de makers, bron, licentie en je bewerkingen. De kaart richt zich op Japanse volwassenen vanaf 18 jaar; een Nederlandse vertaling maakt de profielen niet representatief voor Nederland.

  1. Kies je toepassing en relevante velden in de datasetkaart hierboven.
  2. Leg vóór de test vast welk antwoord of welke controlevraag per scenario moet verschijnen.
  3. Bewaar uitkomst en systeemversie. Laat een onbekende uitkomst niet doorgaan als een geslaagde test.

Bij een volgende datasetversie tellen vooral gewijzigde velden en aannames. Voor inzet van een eigen gesprekssysteem telt vervolgens de uitslag op gecontroleerde scenario’s. Het aantal persona’s alleen beantwoordt die vraag niet.

Controleer je taak vóór je de dataset gebruikt

Eén miljoen records, negen miljoen beschrijvingen. Maak je eigen protocol met de velden die je nodig hebt.

Naar mijn datasetkaart