700만 개의 가짜 한국인 — NVIDIA가 통계청 데이터로 만든 합성 페르소나셋

Nemotron-Personas-Korea 개요와 배경

2026년 4월, NVIDIA가 HuggingFace에 공개한 Nemotron-Personas-Korea는 700만 개의 완전 합성 한국어 페르소나 데이터셋으로, 공개 직후 HuggingFace 데이터셋 랭킹 1위를 기록하며 한국 AI 커뮤니티의 큰 주목을 받았다. 이 데이터셋은 통계청(KOSIS), 대법원, 국민건강보험공단, 한국농촌경제연구원 등 공식 기관 데이터를 기반으로 생성됐으며, 개인정보보호법(PIPA) 준수를 전제로 설계됐다.

NVIDIA는 4월 21~22일 서울에서 Nemotron Developer Days 행사를 개최하며 이 데이터셋을 공개했다. 각 페르소나는 이름, 성별, 연령, 결혼 상태, 학력, 직업, 거주 지역 등 다양한 속성을 포함한다.

데이터셋의 핵심 특징은 실제 통계 분포와의 정렬이다. 무작위로 속성을 조합하는 방식이 아니라, KOSIS 인구통계 데이터에서 추출한 확률 분포를 따르도록 설계됐다. 연령대별 직업 분포, 지역별 학력 수준, 경제활동 참가율 등이 실제 한국 사회 통계와 일치하도록 조정됐다.

한국 특유의 언어적 요소도 반영됐다. 한국어 경어 체계(존댓말·반말), 지역별 방언 패턴, 직업군별 언어 사용 특성 등이 페르소나 생성 시 고려됐다. 단순한 번역 데이터셋이나 영어 기반 합성 데이터와 근본적으로 다른 접근법이다.

합성 데이터셋 생성 파이프라인 아키텍처

Nemotron-Personas-Korea는 NVIDIA의 오픈소스 합성 데이터 생성 시스템 NeMo Data Designer를 기반으로 구축됐다. 파이프라인의 핵심은 확률적 그래픽 모델(Probabilistic Graphical Model, PGM)과 언어 모델 Gemma-4-31B의 결합이다.

⤢✕

PGM은 인구통계 속성 간의 조건부 확률 관계를 모델링한다. 예를 들어 "서울 거주, 30대, 대졸 이상" 조건이 주어졌을 때 직업 분포가 어떻게 달라지는지를 실제 통계에서 학습한다. 이를 통해 생성된 페르소나가 인구통계적으로 현실적인 속성 조합을 갖도록 보장한다.

Gemma-4-31B는 PGM이 생성한 구조화된 속성을 자연스러운 한국어 내러티브로 변환하는 역할을 담당한다. 단순한 속성 나열이 아니라 실제 사람처럼 느껴지는 배경 이야기, 가치관, 일상적 관심사를 포함한 풍부한 텍스트를 생성한다.

품질 필터링 단계에서는 생성된 페르소나의 내적 일관성, 언어 품질, PII(개인식별정보) 비포함 여부를 다단계로 검증한다. PIPA 준수를 위해 실제 인물을 특정할 수 있는 어떤 정보도 포함되지 않도록 엄격하게 관리된다.

페르소나 기반 데이터 다양성 확보 전략

합성 데이터셋 생성에서 가장 어려운 문제 중 하나는 다양성의 확보다. 무작위 텍스트를 대량 생성하면 중복되거나 편향된 데이터가 생성돼 파인튜닝 효과가 저하된다.

페르소나 기반 접근법은 이 문제에 구조적으로 대응한다. 각 페르소나가 서로 다른 인구통계적 배경, 직업, 생활 방식을 갖기 때문에 동일한 질문이나 시나리오에 대해 자연스럽게 다양한 응답 패턴이 생성된다. "노후 준비에 대한 생각"이라는 주제를 30대 자영업자, 50대 공무원, 20대 대학원생 페르소나에게 물으면 언어 스타일, 관심사, 우선순위가 모두 달라진다.

이러한 다양성은 LLM이 다양한 사용자 유형에 적절하게 반응하는 능력을 학습하는 데 필수적이다. 한국어 서비스의 경우 지역 방언, 연령대별 언어 사용 패턴, 직업군별 전문 용어 등을 고루 학습해야 실용적인 서비스 품질을 달성할 수 있다.

한국어 LLM 파인튜닝 방법론

Nemotron-Personas-Korea가 직접적으로 지원하는 파인튜닝 시나리오는 크게 세 가지다.

**도메인 적응(Domain Adaptation)**은 특정 산업이나 서비스 분야에 특화된 LLM을 구축하는 과정이다. 금융 상담 서비스용 LLM을 개발할 때, 금융 관련 직업군과 연령대의 페르소나 데이터를 선별해 파인튜닝하면 해당 도메인의 언어 패턴과 사용자 기대에 맞는 응답 능력을 효율적으로 학습할 수 있다.

**지시 따르기 학습(Instruction Following)**은 사용자의 지시를 정확히 이해하고 따르는 능력을 강화한다. 페르소나별로 다양한 지시 패턴과 선호 응답 스타일을 포함한 데이터를 생성해 파인튜닝하면, 다양한 한국어 표현 방식으로 주어진 지시에 적절히 대응하는 능력이 향상된다.

RLHF 데이터 설계는 인간 피드백 기반 강화 학습을 위한 선호도 데이터를 합성하는 것이다. 동일한 페르소나에 대해 여러 응답을 생성하고, PGM으로 모델링된 해당 페르소나의 선호 기준에 따라 선택·거절 쌍을 구성할 수 있다.

⤢✕

합성 데이터 vs 실제 데이터: 품질 비교와 데이터 플라이휠

합성 데이터와 실제 데이터의 품질 비교는 AI 연구의 지속적인 논쟁 주제다. Nemotron-Personas-Korea는 다음 측면에서 실제 데이터 대비 강점을 갖는다.

규모와 비용 측면에서 700만 개의 고품질 페르소나를 실제 인터뷰나 설문으로 수집하는 것은 현실적으로 불가능하다. 합성 데이터는 동일한 품질 기준을 대규모로 적용할 수 있다.

프라이버시 측면에서 실제 사용자 데이터를 학습에 사용하면 개인정보 보호 이슈가 발생한다. PIPA 준수를 설계 원칙으로 삼은 Nemotron-Personas-Korea는 이 문제를 근본적으로 회피한다.

반면 실제 데이터의 강점도 명확하다. 실제 사용자 데이터는 현실의 언어 사용 패턴과 맥락적 뉘앙스를 자연스럽게 포함하며, 합성 데이터가 놓칠 수 있는 엣지 케이스를 커버한다.

데이터 플라이휠(Data Flywheel) 전략은 두 접근법을 결합한다. 합성 데이터로 초기 모델을 학습하고, 실서비스 배포 후 수집된 실제 사용자 상호작용 데이터로 추가 파인튜닝한다. 이 과정이 반복되면서 모델 품질과 데이터 품질이 상호 강화되는 선순환이 형성된다.