公開：2026年9月19日, 最終更新：2026年9月19日
NeMo Data Designerは、NVIDIAが提供するオープンソースの合成データ（Synthetic Data）生成オーケストレーションフレームワークです。LLM（大規模言語モデル）のトレーニング用データを、LLMそのものを活用して設計・生成するためのツールです。
概要
NeMo Data Designerは、高品質なトレーニングデータを「生成する」ためのフレームワークとして、NVIDIAにより開発されました。もともとNVIDIAの「Nemotron」モデルの事前学習・事後学習用データセットを構築するために内部利用されていたものを、2025年12月にApache License 2.0のオープンソースとして公開しました。開発にあたっては、NVIDIAが2025年3月に買収したGretelのチームと技術が統合されています。
NeMoエコシステム内では、既存の大規模データのクレンジング・前処理を担う「NeMo Curator」と対をなす位置づけです。NeMo Curatorがあるデータをきれいにするツールであるのに対し、NeMo Data Designerはそもそも存在しないデータを新たに設計・生成するツールです。NeMo CuratorのDataDesignerStageを通じて両者を統合することも可能です。
仕組み・ポイント
宣言的なデータ設計
LLMを呼び出す命令的なコードを都度記述するのではなく、生成したい列の構造、フィールドのサンプリング方法、使用するLLMといった設定をPythonコードやYAMLで定義します。「どのようなデータを作るか」を宣言的に記述することで、複雑なパイプラインを扱いやすくします。
DAGによる依存関係の管理
有向非巡回グラフ（DAG）に基づき、列間の依存関係を解決しながらデータを生成します。例えば「列Aの値を受けて列Bを生成する」といった順序関係を自動的に管理します。
多様な生成手法の統合
統計的サンプラー（カテゴリ・数値のサンプリング）、LLMによるテキスト生成、既存のシードデータセットの活用を、1つのパイプライン内で混在させることができます。
大規模生成のための自動制御
自動バッチ処理、並列処理、レート制限への自動適応（AIMD並行制御）などを備え、大規模な生成処理を効率的にこなします。本格スケールアップ前に少数のサンプルレコードを素早く生成・確認できる「プレビューモード」も用意されています。
検証・品質評価
Python・SQL・リモートバリデータによる自動検証機能と、LLM-as-a-judgeによる出力品質のスコアリング機能を備えます。生成データの品質を定量的に評価しながらパイプラインを改善できます。
対応LLMの広さ
NVIDIA NIM、OpenAI、vLLM、OpenRouterなど、多様なLLMエンドポイントに対応しており、特定の環境に依存しません。NeMo Platform上ではマイクロサービスとして提供され、NMP SDKやCLIからも利用可能です。
なぜ今注目されているのか
高品質なトレーニングデータの不足は、LLM開発における根本的な課題となっています。特定ドメインの専門データは実世界での収集コストが高く、プライバシーや著作権の制約も伴います。合成データによるその代替・補完への関心が高まる中、NeMo Data Designerは2025年12月のオープンソース化により広く利用可能となりました。
実際の活用事例も具体化しています。2025年10月にはCrowdStrikeとの提携が発表され、CrowdStrikeの専門家データとNeMo Data Designerを組み合わせてNVIDIA Nemotronモデルをセキュリティエージェント向けにトレーニングする取り組みが進んでいます。金融AI研究の分野でも、NeMo Data Designer and NeMo Curatorを組み合わせ、50万件のユニークな金融ニュースヘッドラインを生成するといった大規模な実証が行われており、ドメイン特化型AIの開発を加速するインフラとして注目されています。
日本企業への示唆
金融・セキュリティ・製造など、専門ドメインのデータが限られる領域でLLMをカスタマイズしたい日本企業にとって、合成データ生成は実用的な選択肢になり得ます。NeMo Data Designerはオープンソース（Apache License 2.0）で提供されているため、商用利用を含めた検討のハードルは低くなっています。一方で、合成データの品質はシードデータの設計やLLMの選択に強く依存するため、ドメイン知識を持つ専門家の関与が生成パイプラインの設計段階から不可欠です。NeMo Curatorとの組み合わせにより、既存社内データの前処理から新規データ生成まで一貫したデータ基盤を構築できる点は、実務上の導入を検討する際の重要な視点となります。
※ 本ページはAI News JAPAN編集部が最新の動向を踏まえて解説したものです。内容は随時見直します。
