Nemotron-Personas-El-Salvador

Personas sintéticas para El Salvador basadas en distribuciones del mundo real
A compound AI approach to personas grounded in real-world distributions

Resumen del Conjunto de Datos (Overview)

Nemotron-Personas-El-Salvador es un conjunto de datos de código abierto (CC BY 4.0) de personas sintéticas basadas en distribuciones demográficas, geográficas y de rasgos de personalidad del mundo real para capturar la diversidad y riqueza de la población salvadoreña. Está alineado con estadísticas de sexo, edad, antecedentes, estado civil, educación, ocupación y ubicación, entre otros atributos.

El conjunto de datos puede usarse para mejorar la diversidad de los datos generados sintéticamente, mitigar sesgos en datos/modelos y prevenir el colapso de modelos. En particular, el conjunto de datos está diseñado para ser más representativo de las distribuciones demográficas subyacentes de El Salvador a lo largo de múltiples ejes, incluyendo edad, geografía (por ejemplo, departamentos rurales como Cabañas y Morazán junto al área metropolitana del gran San Salvador), educación y ocupación.

Producido con NeMo Data Designer, un sistema de AI compuesta de nivel empresarial para la generación de datos sintéticos, el conjunto de datos aprovecha un Modelo Gráfico Probabilístico (PGM) propietario junto con el modelo google/gemma-4-31B-it con licencia Apache-2.0 y los métodos de validación y evaluación incluidos en Data Designer. Una versión extendida de Nemotron-Personas-El-Salvador está disponible para su uso en NeMo Data Designer.

Este conjunto de datos está listo para uso comercial y no comercial.
–

Nemotron-Personas-El-Salvador is an open-source (CC BY 4.0) dataset of synthetically-generated personas grounded in real-world demographic, geographic and personality trait distributions to capture the diversity and richness of the Salvadoran population. It is aligned with statistics for sex, age, background, marital status, education, occupation and location, among other attributes.

The dataset can be used to improve diversity of synthetically-generated data, mitigate data/model biases, and prevent model collapse. In particular, the dataset is designed to be more representative of underlying Salvadoran demographic distributions along multiple axes, including age, geography (e.g., rural departments such as Cabañas and Morazán alongside the greater San Salvador metropolitan area), education, and occupation.

Produced using NeMo Data Designer, an enterprise-grade compound AI system for synthetic data generation, the dataset leverages a proprietary Probabilistic Graphical Model (PGM), the Apache-2.0 licensed google/gemma-4-31B-it model, and the validation and evaluation methods included in Data Designer. An extended version of Nemotron-Personas-El-Salvador is available for use in NeMo Data Designer itself.

This dataset is freely available for both commercial and non-commercial use.

Lo que NO está en el conjunto de datos (What is NOT in the dataset)

Dado el énfasis en las personas, el conjunto de datos excluye otros campos disponibles en NeMo Data Designer, por ejemplo, nombres completos, rasgos de personalidad, etc. También se excluyen las personas de relevancia general para clientes empresariales (por ejemplo, finanzas, salud). Por favor contáctenos para explorar casos de uso empresarial.

Todos los datos, aunque reflejan distribuciones del mundo real, son completamente generados de forma artificial. Cualquier similitud en nombres o descripciones de personas con personas reales, vivas o fallecidas, es puramente coincidental.

–

Given the emphasis on personas, the dataset excludes other fields available in NeMo Data Designer, e.g., first/last names, personality traits, etc. Also excluded are personas generally of relevance to enterprise clients (e.g., finance, healthcare). Please reach out to explore enterprise use-cases.

All data, while mirroring real-world distributions, is completely artificially generated. Any similarity in names or persona descriptions to actual persons, living or dead, is purely coincidental.

Desarrollador de Datos (Data Developer)

NVIDIA Corporation, en co-diseño con WideLabs

Fecha de Lanzamiento (Release Date)

Hugging Face 06/01/2026 a través de https://huggingface.co/datasets/nvidia/Nemotron-Personas-El-Salvador

Fecha de Creación del Conjunto de Datos (Dataset Creation Date)

06/01/2026

Licencia/Términos de Uso (License/Terms of Use)

Este conjunto de datos está licenciado bajo la Licencia Internacional Creative Commons Atribución 4.0 (CC BY 4.0).
–
This dataset is licensed under the Creative Commons Attribution 4.0 International License (CC BY 4.0).

Caso de Uso (Use Case)

Este conjunto de datos puede utilizarse para ampliar la diversidad de datos sintéticos en el desarrollo de modelos de AI soberana para El Salvador y la región centroamericana, mitigar sesgos de datos y modelos, y mejorar la diversidad de las respuestas de los modelos en español salvadoreño.

–

This dataset can be used to expand the diversity of synthetic data for Sovereign AI model development for El Salvador and the Central American region, mitigate data and model bias, and improve model response diversity in Salvadoran Spanish.

Versión de Datos (Data Version)

1.0 ([06/01/2026)

Uso Previsto (Intended Use)

El conjunto de datos Nemotron-Personas-El-Salvador está destinado a ser utilizado por la comunidad para continuar mejorando los modelos abiertos y avanzar en el estado del arte para la IA en contexto salvadoreño. Los datos pueden usarse libremente para entrenar cualquier modelo. Damos la bienvenida a los comentarios de la comunidad de código abierto e invitamos a desarrolladores, investigadores y entusiastas de los datos a explorar el conjunto de datos y construir sobre él. También damos la bienvenida a los comentarios de la comunidad.

El conjunto de datos se sintetizó para reflejar distribuciones demográficas reales basadas en datos de la Dirección General de Estadística y Censos (DIGESTYC) de El Salvador, específicamente la Encuesta de Hogares de Propósitos Múltiples (EHPM) [FINAL STAT: confirmar año(s)], y WideLabs [FINAL STAT: confirmar URL]. En consecuencia, uno de sus principales objetivos es mitigar los datos faltantes y los posibles sesgos que pueden existir en los datos de entrenamiento, especialmente los sesgos presentes en los conjuntos de datos de personas existentes utilizados para la generación de datos sintéticos. A pesar de la mejora en la diversidad de datos y la fidelidad a la población salvadoreña, se aplicaron ciertos supuestos de independencia entre variables debido a limitaciones en la disponibilidad de datos públicos y las restricciones prácticas del modelo gráfico probabilístico (PGM). Por ejemplo, al asignar ocupaciones detalladas, se asume que factores demográficos como sexo, educación y edad influyen independientemente en los resultados.

El conjunto de datos incluye únicamente personas de edad adulta.

–

The Nemotron-Personas-El-Salvador dataset was created to support the Salvadoran and Central American open-source community in continuously improving models and advancing the state of the art. This dataset is freely available for training a wide range of models, and we encourage active use by developers, researchers, and data professionals. Feedback from the community is also highly welcomed.

This dataset is synthesized to reflect real demographic distributions based on data from El Salvador's Dirección General de Estadística y Censos (DIGESTYC), specifically the Encuesta de Hogares de Propósitos Múltiples (EHPM) [FINAL STAT: confirm year(s)], and WideLabs [FINAL STAT: confirm URL]. Accordingly, one of its primary goals is to mitigate missing data and potential biases that may exist in training data—particularly biases present in existing persona datasets used for synthetic data generation. Despite the improved data diversity and fidelity to El Salvador's population, certain independence assumptions between variables were applied due to limitations in public data availability and the practical constraints of the probabilistic graphical model (PGM). For example, when assigning detailed occupations, demographic factors such as sex, education, and age are assumed to independently influence outcomes.

This dataset includes only adult personas.

Detalles del Conjunto de Datos (Dataset Details)

El conjunto de datos contiene:

• [FINAL STAT: X personas a través de [X]k registros]

• [FINAL STAT: X campos]: [FINAL STAT: X campos de personas], [FINAL STAT: X campos de atributos de personas], [FINAL STAT: X campos contextuales de demografía y geografía], y 1 identificador único

• Cobertura geográfica en los 14 departamentos de El Salvador y [FINAL STAT: X] municipios

• [FINAL STAT: X]+ ocupaciones profesionales, basadas en las clasificaciones DIGESTYC CAES / CIUO-08

• 7 tipos de personas: profesional, deportes, artes, viajes, culinario, familia, resumen

• Atributos adicionales de personas en lenguaje natural: trasfondo cultural, habilidades y experiencia, metas profesionales y ambiciones, pasatiempos e intereses

–

The dataset contains:

• [FINAL STAT: X personas across [X]k records]

• [FINAL STAT: X fields]: [FINAL STAT: X persona fields], [FINAL STAT: X persona attribute fields], [FINAL STAT: X demographic & geographic contextual fields], and 1 unique identifier

• Geographic coverage across all 14 departments of El Salvador and [FINAL STAT: X] municipalities

• [FINAL STAT: X]+ professional occupations, grounded in DIGESTYC CAES / CIUO-08 occupational classifications

• 7 persona types: professional, sports, arts, travel, culinary, family, concise

• Additional natural language persona attributes: cultural background, skills & expertise, career goals & ambitions, hobbies & interests

Datos Fuente (Seed Data)

Para reflejar la diversidad y complejidad social, demográfica y geográfica de la población salvadoreña, Nemotron-Personas-El-Salvador utilizó los siguientes datos:

• Datos del censo de la DIGESTYC sobre sexo, departamento, industria, ocupación y nivel educativo, específicamente la Encuesta de Hogares de Propósitos Múltiples (EHPM) [FINAL STAT: confirmar año(s) y estado de licencia CC/abierta]

• [FINAL STAT: añadir cualquier fuente de datos adicional — por ejemplo, proyecciones de población municipal, estadísticas educativas del MINED, registro ocupacional del MINTRAB] WideLabs aportó experiencia demográfica local, fundamentación cultural y validación de calidad a lo largo del proceso de generación de datos para garantizar que las personas reflejen auténticamente la diversidad de la sociedad salvadoreña. – To reflect the social, demographic, and geographic diversity and complexity of the Salvadoran population, Nemotron-Personas-El-Salvador utilized the following data:

• Census and survey data from DIGESTYC on sex, department, industry, occupation, and education level, specifically the Encuesta de Hogares de Propósitos Múltiples (EHPM) [FINAL STAT: confirm year(s) and CC/open license status]

• [FINAL STAT: add any additional seed data sources — e.g., municipal population projections, MINED education statistics, MINTRAB occupational registry] WideLabs contributed local demographic expertise, cultural grounding, and quality validation throughout the data generation pipeline to ensure personas authentically reflect the diversity of Salvadoran society.

Esquema (Schema)

El conjunto de datos incluye [FINAL STAT: X] campos, que comprenden [FINAL STAT: X] campos de personas, [FINAL STAT: X] campos de atributos de personas, [FINAL STAT: X] campos contextuales de demografía y geografía, y un identificador único, como se muestra a continuación. La división única (train) contiene todos los registros en español latinoamericano. El rico conjunto de atributos contextuales permite a los investigadores condicionar y orientar con precisión personas específicas, una capacidad difícil de lograr con los conjuntos de datos de personas existentes.

–

The dataset includes [FINAL STAT: X] fields, comprising [FINAL STAT: X] persona fields, [FINAL STAT: X] persona attribute fields, [FINAL STAT: X] demographic & geographic contextual fields, and a unique identifier, as shown below. The single split (train) contains all records in Latin American Spanish. The rich set of contextual attributes enables researchers to precisely condition and target specific personas, a capability that is difficult to achieve with existing persona datasets.

[IMAGE PLACEHOLDER: Schema field overview table — listing all fields, types, and value ranges including persona narrative fields (professional_persona, sports_persona, arts_persona, travel_persona, culinary_persona, family_persona, persona, cultural_background, skills_and_expertise, skills_and_expertise_list, hobbies_and_interests, hobbies_and_interests_list, career_goals_and_ambitions), contextual fields (sex, age, marital_status, zone, education_level, occupation, municipality, department, country), and unique identifier (uuid).]

Recuentos de Campos y Tokens (Field & Token Counts)

[FINAL STAT: ~[X]B tokens ([X]B tokens de personas) en [X]k registros en español y [X] columnas, excluyendo el identificador único global. Los datos cubren los 14 departamentos de El Salvador y [X] municipios.]

–

[FINAL STAT: ~[X]B tokens ([X]B persona tokens) across [X]k records in Spanish and [X] columns, excluding the globally unique identifier. Data covers all 14 departments of El Salvador including [X] municipalities.]

Descripción del Conjunto de Datos y Evaluación de Calidad (Dataset Description & Quality Assessment)

El análisis a continuación proporciona un desglose a través de varios ejes del conjunto de datos para destacar la diversidad incorporada y la complejidad de patrones de los datos. – The analysis below provides a breakdown across various axes of the dataset to emphasize the built-in diversity and pattern complexity of data.

Nombres (Names)

Los nombres del conjunto de datos se basan en patrones de nombres reales de El Salvador, reflejando las tradiciones de nombres hispanos con influencias indígenas y regionales. Los apellidos más comunes incluyen García, Martínez, López, González y Hernández, típicos de la región centroamericana. Los nombres de pila reflejan tendencias generacionales: nombres de santos católicos tradicionales son más frecuentes en personas mayores, mientras que nombres más modernos e influenciados por tendencias internacionales son más comunes entre las generaciones jóvenes. [FINAL STAT: X combinaciones únicas de apellido+nombre generadas en [X]k registros.]

–

The names in this dataset are based on real naming patterns from El Salvador, reflecting Hispanic naming traditions with indigenous and regional influences. The most common surnames include García, Martínez, López, González, and Hernández, typical of the Central American region. Given names reflect generational trends: traditional Catholic saint names appear more frequently among older personas, while more modern names influenced by international trends are more common among younger generations. [FINAL STAT: X unique surname+given name combinations generated across [X]k records.]

[IMAGE PLACEHOLDER: Distribution chart of the most frequent surnames and given names by sex — showing generational naming trends and top surname frequencies across El Salvador's 14 departments.]

Distribución de Edades (Age Distribution)

El conjunto de datos refleja el perfil demográfico de El Salvador, caracterizado por una población relativamente joven pero con una transición en curso hacia una mayor proporción de adultos de mediana edad. El grupo de mayor volumen corresponde a los adultos jóvenes de 18 a 34 años, reflejando las tasas de natalidad previas más elevadas. A diferencia de poblaciones más envejecidas, la proporción disminuye gradualmente hacia los grupos de mayor edad. La distribución por sexo es generalmente equilibrada en los grupos más jóvenes. [FINAL STAT: describir la distribución real por grupos de edad y la composición por sexo una vez calculada.]

–

The dataset reflects El Salvador's demographic profile, characterized by a relatively young population but with an ongoing transition toward a larger share of middle-aged adults. The highest-volume group corresponds to young adults aged 18–34, reflecting previously higher birth rates. Unlike more aged populations, the proportion gradually declines toward older age groups. The sex distribution is generally balanced in younger groups. [FINAL STAT: describe the actual distribution by age group and sex composition once computed.]

[IMAGE PLACEHOLDER: Age distribution pyramid — showing the proportion of male (Hombre) and female (Mujer) personas across age brackets from 18 to [FINAL STAT: max age], aligned with DIGESTYC/EHPM population distributions.]

Estado Civil por Grupo de Edad (Marital Status by Age Group)

La proporción de personas solteras es alta en los grupos de 18 a 24 años y disminuye con la edad a medida que aumenta el matrimonio y la unión. Notablemente, la categoría Acompañado/a (unión libre) refleja la prevalencia de uniones de hecho en El Salvador y el resto de Centroamérica, especialmente en zonas rurales y entre adultos jóvenes. Las tasas de viudez aumentan de forma esperada en los grupos de edad avanzada, especialmente entre las mujeres dado el mayor índice de emigración masculina y la esperanza de vida diferencial. [FINAL STAT: proporciones reales por estado civil y grupo de edad.]

–

The proportion of single individuals is high in the 18–24 age groups and decreases with age as marriage and cohabitation increase. Notably, the Acompañado/a (union libre / common-law) category reflects the prevalence of consensual unions in El Salvador and Central America broadly, particularly in rural areas and among younger adults. Widowhood rates increase as expected in older age groups, especially among women given higher male emigration rates and differential life expectancy. [FINAL STAT: actual proportions by marital status and age group.]

[IMAGE PLACEHOLDER: Heatmap or stacked bar chart of marital status categories (Soltero/a, Casado/a, Acompañado/a, Viudo/a, Divorciado/a, Separado/a) by age group — illustrating household formation patterns consistent with DIGESTYC/EHPM distributions.]

Tipo de Hogar por Grupo de Edad (Household Type by Age Group)

La estructura de los hogares en El Salvador refleja tanto las normas culturales centroamericanas como el impacto de la emigración. Los hogares con jefatura femenina tienen una representación notable, reflejando la emigración de hombres en edad de trabajar. Los hogares multigeneracionales son comunes, especialmente en zonas rurales. Los hogares nucleares (pareja con hijos) predominan en los grupos de edad de 25 a 49 años, mientras que los hogares unipersonales son más frecuentes entre adultos jóvenes independientes y personas mayores. [FINAL STAT: distribución real de tipos de hogar por grupo de edad.]

–

Household structures in El Salvador reflect both Central American cultural norms and the impact of emigration. Female-headed households have notable representation, reflecting the emigration of working-age men. Multi-generational households are common, particularly in rural areas. Nuclear households (couple with children) predominate in the 25–49 age groups, while single-person households are more frequent among independent young adults and older individuals. [FINAL STAT: actual household type distribution by age group.]

[IMAGE PLACEHOLDER: Breakdown of household and family structures by age group — capturing nuclear, extended, female-headed, and single-person households as reflected in family_persona narratives across urban (Urbano) and rural (Rural) zones.]

Nivel Educativo por Grupo de Edad (Education Level by Age Group)

La distribución del nivel educativo por grupo de edad en El Salvador muestra diferencias generacionales marcadas. Entre los adultos jóvenes de 18 a 34 años, la finalización del bachillerato es más común, con tasas crecientes de educación técnica y superior universitaria. En los grupos de mayor edad, especialmente los de 55 años en adelante, la proporción con educación básica incompleta o ninguna educación formal es más elevada, reflejando el acceso históricamente limitado a la educación en zonas rurales. Las disparidades entre zonas urbanas y rurales son pronunciadas en todos los grupos de edad. [FINAL STAT: distribución real por nivel educativo y grupo de edad.]

–

The distribution of educational attainment by age group in El Salvador shows marked generational differences. Among young adults aged 18–34, completion of bachillerato (secondary school) is more common, with increasing rates of technical and university-level education. In older age groups, particularly those 55 and above, the proportion with incomplete basic education or no formal education is higher, reflecting historically limited access to education in rural areas. Urban-rural disparities are pronounced across all age groups. [FINAL STAT: actual distribution by education level and age group.]

[IMAGE PLACEHOLDER: Stacked area or bar chart of education levels (Ninguno, Parvularia, Básica, Bachillerato, Técnico/Tecnológico, Superior universitario) by age group — showing generational educational attainment shifts consistent with DIGESTYC data.]

Particularidades Geográficas de la Educación (Geographic Intricacies of Education Attainment)

Los datos muestran disparidades significativas en el nivel educativo entre departamentos. San Salvador, La Libertad y Santa Ana presentan las tasas más altas de educación superior, impulsadas por la concentración de universidades, empresas y oportunidades de empleo formal. En contraste, los departamentos rurales como Cabañas, Morazán y Chalatenango muestran tasas más altas de educación básica o menor, reflejando el acceso históricamente limitado a la infraestructura educativa y la emigración de jóvenes educados hacia las zonas urbanas. [FINAL STAT: tasas reales de nivel educativo por departamento.]

–

The data shows significant disparities in educational attainment across departments. San Salvador, La Libertad, and Santa Ana have the highest rates of higher education, driven by the concentration of universities, businesses, and formal employment opportunities. In contrast, rural departments such as Cabañas, Morazán, and Chalatenango show higher rates of basic or lower education, reflecting historically limited access to educational infrastructure and the emigration of educated youth toward urban areas. [FINAL STAT: actual education attainment rates by department.]

[IMAGE PLACEHOLDER: Choropleth map or bar chart showing education attainment by department — highlighting urban-rural disparities across El Salvador's 14 departments, with San Salvador at the high end and rural eastern/northern departments at the lower end.]

Categorías Ocupacionales (Occupational Categories)

Los profesionales y trabajadores de servicios representan una parte significativa del conjunto de datos, reflejando la estructura económica de El Salvador orientada al sector servicios y al comercio. En las ocupaciones elementales hay una alta concentración en trabajos del sector informal, mientras que el comercio tiene una notable presencia de vendedores minoristas. El sector agrícola tiene mayor representación en departamentos rurales como Chalatenango, Cabañas y La Paz. Los trabajadores del sector de remesas y las ocupaciones relacionadas con la diáspora son parte de la realidad económica salvadoreña. [FINAL STAT: distribución real de categorías ocupacionales por CAES / CIUO-08.]

–

Professionals and service workers represent a significant portion of the dataset, reflecting El Salvador's service-oriented and commerce-driven economic structure. In elementary occupations, there is a high concentration of informal sector jobs, while commerce has a notable presence of retail sellers. The agricultural sector has greater representation in rural departments such as Chalatenango, Cabañas, and La Paz. [FINAL STAT: actual distribution of occupational categories per CAES / CIUO-08.]

[IMAGE PLACEHOLDER: Treemap or bar chart of occupational categories per DIGESTYC CAES / CIUO-08 — illustrating the distribution of professional, agricultural, service, commerce, and informal sector occupations across El Salvador's 14 departments and urban/rural zones.]

Cómo usarlo (How to use it)

El conjunto de datos se puede cargar con las siguientes líneas de código. – You can load the dataset with the following lines of code.

from datasets import load_dataset

# Personas salvadoreñas – Salvadoran personas
nemotron_personas = load_dataset("nvidia/Nemotron-Personas-El-Salvador")

Caracterización del Conjunto de Datos (Dataset Characterization)

Método de Recopilación de Datos (Data Collection Method)

• Híbrido: Humano, Sintético, Automatizado (Hybrid: Human, Synthetic, Automated)

Método de Etiquetado (Labeling Method)

• No Aplica (Not Applicable)

Formato del Conjunto de Datos (Dataset Format)

• Texto (Text)

Cuantificación del Conjunto de Datos (Dataset Quantification)

• Recuento de registros: [FINAL STAT: [X]k registros, [X] descripciones de personas] ([FINAL STAT: [X]k records, [X] persona descriptions])
• Almacenamiento total de datos: [FINAL STAT: 0.57 GB] (Total data storage: [FINAL STAT: 0.57 GB])

Consideraciones Éticas (Ethical Considerations)

NVIDIA cree que la IA de Confianza es una responsabilidad compartida y hemos establecido políticas y prácticas para permitir el desarrollo de una amplia gama de aplicaciones de IA. Cuando se descarga o se usa de acuerdo con nuestros términos de servicio, los desarrolladores deben trabajar con sus equipos internos para garantizar que este conjunto de datos cumpla con los requisitos de la industria y caso de uso relevante y aborde el uso indebido imprevisto del producto.

Por favor reporte vulnerabilidades de seguridad o preocupaciones de IA de NVIDIA aquí. – NVIDIA believes Trustworthy AI is a shared responsibility and we have established policies and practices to enable development for a wide array of AI applications. Developers should work with their internal model team to ensure this model meets requirements for the relevant industry and use case and addresses unforeseen product misuse.

Please report security vulnerabilities or NVIDIA AI concerns here.

Cita (Citation)

Si encuentra útiles los datos, por favor cite: – If you find the data useful, please cite:

@software{nvidia/Nemotron-Personas-El-Salvador,
  author = {[confirmar lista de autores — ej., Meyer, Yev and Corneil, Dane and WideLabs team and Jennings, Will]},
  title = {Nemotron-Personas-El-Salvador: Synthetic Personas Aligned to Real-World Distributions},
  month = {[FINAL STAT: Month]},
  year = {[FINAL STAT: Year]},
  url = {https://huggingface.co/datasets/nvidia/Nemotron-Personas-El-Salvador}
}