NVIDIA пусна Auto Ontology: отворен семантичен слой, който обвързва SQL заявките на ИИ агентите с надежден контекст

NVIDIA пусна Auto Ontology, отворена библиотека под лиценза Apache 2.0. NVIDIA Auto Ontology е рамка за семантичен слой, която изгражда контекстен слой от корпоративни метаданни. Агентите използват този слой, за да пишат SQL заявки спрямо сертифицирани бизнес дефиниции. Хранилището формулира проблема ясно: бързият отговор за приходите е безполезен, ако числото е грешно.

Накратко

Библиотека: LLM моделът по подразбиране е nvidia/nemotron-3-nano-30b-a3b, с модели Nemotron за вграждане и повторно класиране.
Работи с: Docker Compose за локален стек или Kubernetes чрез Helm. Инференцията използва хоствани NVIDIA NIM крайни точки или самостоятелно хоствани NIM.
Производителност: Силна инженерна реализация, но ограничени публични доказателства.
Най-добро: Времето за създаване на онтология е намалено с 90% при тестовете на NVIDIA (по данни на компанията).
Най-лошо: Няма публикувани оценки за точността на преобразуването от текст към SQL. Репозиторият за оценяване предоставя тестова рамка, но не и резултати.
Извод: Отворен, съвместим с MCP контекстен слой, към който може да прави заявки всеки агентски хъс. Но трябва сами да проведете бенчмарковете, за да му се доверите.

Какво представлява NVIDIA Auto Ontology?

Това е контекстен слой, който се намира между агента и хранилището за данни. Той казва на агента къде се намират данните и какво означават полетата. Също така посочва дали дадено поле трябва да се използва, как да се използва и откъде произхожда.

Ето петте му задачи:

Откриване: генериране на онтологии от метаданни и свързване на съществуващи семантични модели.
Контекстуализиране: предоставяне на агентите на надеждно значение за метрики, обекти и връзки.
Валидиране: проверка на генерираните заявки спрямо сертифицирани дефиниции и произхода на данните.
Предоставяне: обслужване на контекста чрез MCP, CLI и API.
Обучение: връщане на сертифицираните корекции обратно в онтологията.

Страницата за разработчици на NVIDIA представя резултата като начална онтология. Бизнес експертите все още трябва да я тестват, усъвършенстват и сертифицират.

Как работи Auto Ontology?

Стекът има 4 основни услуги. Фронтендът на Next.js 16 обработва уеб интерфейса и удостоверяването на порт 3000. Бекендът на FastAPI с LangChain изпълнява чат, NL-to-SQL и API функциите на каталога на порт 3001. Работникът за приемане на данни записва вграждания на порт 3002. Postgres с pgvector съхранява каталога, онтологията и векторите.

Изходните бази данни могат да бъдат Databricks, Postgres, Snowflake или DuckDB. Моделите се задават чрез променливи на средата, състоящи се от „тройки“: крайна точка, ключ и модел. Съществуват отделни роли за разсъждение, неразсъждение, вграждане и повторно класиране. Работи всяка OpenAI-съвместима крайна точка.

Какво предоставя MCP сървърът?

Документацията на MCP сървъра описва 9 инструмента само за четене. ask_question връща отговора, SQL заявката и редовете като отделни полета. Резултатите са ограничени до 100 реда. check_readiness потвърждава, че съществуват компилиран семантичен слой и активна връзка с база данни.

Няма инструмент за преглеждане на необработени схеми. NVIDIA е избрала това умишлено, така че агентите да достигат до данните чрез семантичния слой. Базовата OpenAPI спецификация публикува 87 операции. Влизането се извършва чрез OAuth, а всяка заявка носи правата на влезлия потребител.

Как се извършва бенчмаркингът?

NVIDIA предоставя отделна тестова рамка, auto-ontology-eval. Тя изпълнява 2 подхода в NeMo Gym: LLM контрол само със схемата и агент, базиран на онтология. Оценяването се извършва чрез детерминистично съвпадение на изпълнението, без LLM оценител.

Включените набори от данни включват BIRD Dev (1534 въпроса, 11 бази данни) и Mini-Dev (500 въпроса). FDABench-Lite добавя 169 въпроса, а BEAVER използва по подразбиране извадка от 100 въпроса.

Репозиторият на тестовата рамка добавя 2 ограничения. Незадължителните примери за few-shot обучение и котвите за стойности се предоставят само на подхода с онтология. Измерената с тях разлика обхваща тези входни данни, а не само контекстуализацията. Тестваната конфигурация също така насочва и двата подхода през модел Claude в инфраструктурата за инференция на NVIDIA.

Как се сравнява с други семантични слоеве?

Функция	NVIDIA Auto Ontology	Wren AI	Cube Core	dbt MetricFlow
Лиценз	Apache 2.0	Apache 2.0 ядро (отворено ядро)	Apache 2.0 бекенд, MIT клиент	Apache 2.0 (v0.209.0+)
Как се изгражда слоят	Генерира се от метаданни, след което се сертифицира	Контекстни файлове в Git с помощта на агент	Дефинира се в код	Дефинира се в код в dbt проект
Интерфейс за агенти	MCP, CLI, REST API	MCP, CLI, SDK	SQL, REST, GraphQL API	Python библиотека и CLI
Източници на данни	Databricks, Postgres, Snowflake, DuckDB	22+	Всички SQL източници на данни	Чрез dbt адаптери
Модели по подразбиране	Nemotron чрез NVIDIA NIM	Не е разкрито	Неприложимо	Неприложимо

Внедряване и наличност

Локалната настройка се извършва с docker compose up -d --build, след като попълните .env. Потребителите на Kubernetes получават Helm chart и ръководство DEPLOYMENT.md. Екипът на NVIDIA публикува бекенда и като NGC контейнер. API ключ от NVIDIA от build.nvidia.com покрива моделите по подразбиране.

Основни изводи

Auto Ontology генерира начален семантичен слой от корпоративни метаданни.
Агентите правят заявки към него чрез 9 MCP инструмента само за четене, както и чрез CLI и API.
NVIDIA съобщава за 90% по-бързо създаване на онтология при собствените си тестове.
Все още няма публикувани оценки за точността на преобразуването от текст към SQL.
По подразбиране използва Nemotron в NIM, но приема всяка OpenAI-съвместима крайна точка.

Разгледайте GitHub репозитория, тестовата рамка и MCP документацията. Също така можете да ни последвате в Twitter и не забравяйте да се присъедините към нашия SubReddit за машинно обучение с над 150 хил. членове и да се абонирате за нашия бюлетин. Чакайте! В Telegram ли сте? Вече можете да се присъедините към нас и в Telegram.

Имате нужда от партньор за популяризирането на вашия GitHub репозиторий ИЛИ Hugging Face страница ИЛИ продуктова премиера ИЛИ уебинар и т.н.? Свържете се с нас

Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.