Nemotron-Personas-Malaysia: Mendefinisikan Semula Data Untuk AI Konteks Tempatan
Nemotron-Personas-Malaysia ialah sebuah dataset AI terbuka mengandungi 1.35 juta persona sintetik Malaysia yang dijana berasaskan statistik demografi rasmi, direka untuk melatih dan menguji model AI supaya lebih memahami kepelbagaian data penduduk, bahasa serta budaya yang wujud dalam realiti sosial di negara ini. Pelancaran pada 23 September oleh YTL AI Labs bersama NVIDIA bukan sekadar pengumuman teknologi, tetapi satu kenyataan politik tentang masa depan pengembangan AI lokal yang berdaulat. Selama ini, diskusi AI sering terperangkap pada saiz model dan kelajuan pengiraan. Inisiatif baharu ini mengubah fokus: tanpa data yang mencerminkan masyarakat, model AI konteks lokal hanya akan mengulang bias global. Dengan set data terbuka yang “kelihatan seperti negara ini”, pembangun kini mempunyai asas konkrit untuk membina sistem yang benar-benar relevan kepada pengguna di sini, bukan sekadar terjemahan dari luar.
Di Sebalik 1.35 Juta Persona: Struktur Data Yang Menyasarkan Kepelbagaian Sebenar
Keistimewaan Nemotron-Personas-Malaysia bukan pada angka besar semata-mata, tetapi cara angka itu dibina. Set ini bermula daripada 150,000 rekod asas yang dijana menggunakan taburan kebarangkalian berasaskan statistik demografi rasmi, kemudian dikembangkan menjadi 1.35 juta persona dengan 39 medan setiap satu. Sumbernya termasuk Jabatan Perangkaan, OpenDOSM, MyCensus, eStatistik dan penerbitan tenaga buruh kebangsaan. Setiap persona sintetik Malaysia memegang maklumat umur, jantina, pekerjaan, wilayah dan etnik, serta ciri personaliti berasaskan model OCEAN yang menilai keterbukaan, keberhematan, ekstraversi, keakuran dan neurotisisme. Koleksi ini menzahirkan kepelbagaian data penduduk melalui perincian sehingga peringkat daerah dan kelompok seperti Melayu, Cina, India, Kadazan-Dusun, Bajau, Murut, Iban, Bidayuh dan Melanau, termasuk kategori Bumiputera di Sabah, Sarawak dan Semenanjung. Dengan struktur sebegini, kita tidak lagi bergantung pada sampel kecil yang menyederhanakan realiti sosial.
Menurut YTL AI Labs, “set tersebut memberikan ekosistem AI Malaysia asas terbuka untuk membangunkan teknologi yang mengambil kira bahasa, budaya, institusi dan cara hidup tempatan sejak peringkat awal pembangunan.” Kenyataan ini penting kerana ia mengakui bahawa identiti pengguna bukan sekadar pemboleh ubah statistik, tetapi konteks yang mesti diintegrasikan secara sistematik ke dalam reka bentuk model AI.
Bahasa Melayu Di Barisan Hadapan: Mengimbangi Dominasi Data Global
Salah satu keputusan paling tegas dalam set data ini ialah menjadikan Bahasa Melayu sebagai bahasa utama pertama dalam koleksi Nemotron-Personas NVIDIA. Selama ini, ekosistem AI dunia didorong oleh data berbahasa Inggeris, lalu cara model memahami dunia turut condong kepada pengalaman dan ekspresi bahasa tersebut. Dengan langkah ini, YTL AI Labs dan NVIDIA mengalihkan pusat graviti: bahasa tempatan tidak lagi sekadar lapisan terjemahan di hujung pipeline, tetapi asas kepada cara model membina representasi pengguna. Ini mempunyai implikasi praktikal yang besar. Model AI konteks lokal yang dilatih dengan persona sintetik Malaysia boleh menangkap nuansa perbualan harian, istilah kewangan yang disebut campur-campur, atau cara rakyat mengekspresikan kebimbangan tentang kerja dan keluarga. Tanpa bahasa yang tepat, sistem AI mudah tersasar memahami niat pengguna, dan di sinilah dataset ini mengisi jurang — ia menyediakan data terbuka yang kelihatan dan berbunyi seperti pengalaman di sini.
Kesan Kepada Pengguna: AI Yang Lebih Adil, Inklusif Dan Menjaga Privasi
Dari sudut orang ramai, persoalan utama mudah: adakah semua ini menjadikan AI lebih berguna dan lebih adil? Dengan persona sintetik, jawapannya cenderung positif. Set data ini tidak mengandungi data peribadi dan tidak boleh digunakan untuk mengenal pasti mana-mana individu sebenar. Ini membenarkan latihan dan ujian model tanpa mengorbankan privasi data penduduk yang sebenar, satu isu yang sering menghantui projek AI berasaskan data pelanggan atau pesakit. Di lapangan, perkhidmatan pelanggan digital boleh diuji terhadap pelanggan sintetik dari pelbagai umur, negeri, pekerjaan dan latar bahasa sebelum dihadapkan kepada pengguna sebenar. Institusi kewangan pula boleh menilai sama ada sistem mereka memahami pelbagai cara rakyat menyatakan keperluan kewangan, sementara agensi kerajaan menguji keberkesanan perkhidmatan digital merentasi kumpulan. Pendek kata, persona sintetik Malaysia membantu kita menapis bias dan kegagalan sistem lebih awal, sebelum ia menjejaskan individu di dunia nyata.
Menuju AI Berdaulat: Dari Infrastruktur Ke Dataset Yang Mencerminkan Kita
Pelancaran Nemotron-Personas-Malaysia tidak berlaku dalam vakum. Ia sebahagian daripada usaha lebih besar membina AI berdaulat yang merangkumi siri model ILMU dan infrastruktur awan khusus AI. Dalam beberapa tahun kebelakangan ini, negara ini menambah pelaburan pusat data, menguji AI agentik dalam perkhidmatan kerajaan dan bercita-cita mereka bentuk cip sendiri. Semua ini tidak bermakna tanpa data yang mencerminkan masyarakat; di sinilah set data persona sintetik menjadi batu asas yang sering diabaikan. Ketua Pegawai Eksekutif YTL AI Labs menyifatkan gabungan model tempatan dan set data ini sebagai “data dan konteks yang diperlukan untuk membentuk cara AI memahami dan melayani rakyat Malaysia.” Pandangan itu harus dibaca sebagai cabaran kepada pembangun: teknologi global yang kuat sahaja tidak mencukupi. Pengembangan AI lokal memerlukan keberanian menuntut konteks sendiri, dan dataset AI terbuka seperti ini memberi kuasa kepada komuniti pembangun, penyelidik serta agensi awam untuk mencipta solusi AI yang lebih inklusif dan relevan secara budaya. Kesimpulannya, 1.35 juta persona sintetik bukan sekadar angka; ia manifestasi pilihan politik dan teknikal untuk mengatakan bahawa AI harus memahami kita terlebih dahulu, sebelum kita diminta memahami AI.
