أصدرت نفيديا Auto Ontology، وهي مكتبة مفتوحة المصدر بموجب رخصة Apache 2.0. تُعد نفيديا Auto Ontology إطاراً لطبقة دلالية يبني طبقة سياق من البيانات الوصفية للمؤسسة. تستخدم الوكلاء تلك الطبقة لكتابة استعلامات SQL استناداً إلى تعريفات أعمال معتمدة. ويقول المستودع بوضوح إن المشكلة تكمن في أن الإجابة السريعة عن الإيرادات لا قيمة لها إذا كان الرقم خاطئاً.
TL;DR
- المكتبة: نموذج LLM الافتراضي هو
nvidia/nemotron-3-nano-30b-a3b، مع نماذج تضمين وإعادة ترتيب من Nemotron. - يعمل على: Docker Compose لمنصة محلية، أو Kubernetes عبر Helm. ويستخدم الاستدلال نقاط نهاية NVIDIA NIM المستضافة أو NIMs مستضافة ذاتياً.
- الأداء: هندسة قوية، وأدلة عامة ضئيلة.
- الأفضل: تقليل وقت إنشاء الأنطولوجيا بنسبة 90% في اختبارات نفيديا (وفق تقارير ذاتية).
- الأسوأ: 0 درجة منقورة لدقة تحويل النص إلى SQL. فمستودع التقييم يوفر أداة تشغيل فقط، لا نتائج.
- الخلاصة: طبقة سياق مفتوحة وجاهزة لـ MCP يمكن لأي إطار وكلاء الاستعلام عنها. لكن عليك تشغيل المعايير بنفسك لتثق بها.
ما هي نفيديا Auto Ontology؟
إنها طبقة سياق تقع بين الوكيل ومستودع البيانات. فهي تخبر الوكيل أين توجد البيانات وماذا تعني الحقول. كما تحدد ما إذا كان يجب استخدام حقل ما، وكيفية استخدامه، ومن أين جاء.
إليك المهام الخمس:
- الاكتشاف: توليد أنطولوجيات من البيانات الوصفية وربط النماذج الدلالية الموجودة.
- التأسيس: تزويد الوكلاء بمعنى موثوق للمقاييس والكيانات والعلاقات.
- التحقق: التحقق من الاستعلامات المُولّدة مقابل التعريفات المعتمدة ونسب البيانات.
- كشف: تقديم السياق عبر MCP وواجهة سطر الأوامر CLI وواجهة برمجة التطبيقات API.
- تعلّم: إعادة إدماج التصحيحات المعتمدة في الأنطولوجيا.
شركة NVIDIA صفحة المطوّر يصوّر المخرجات باعتبارها أنطولوجيا أولية. ويبقى خبراء الأعمال هم من يختبرونها ويطوّرونها ويصادقون عليها.
كيف يعمل Auto Ontology؟
تتكون المنصة من 4 خدمات أساسية. واجهة أمامية مبنية على Next.js 16 تتولى واجهة الويب والمصادقة على المنفذ 3000. خلفية مبنية على FastAPI مع LangChain تشغّل واجهات برمجة الدردشة والتحويل من اللغة الطبيعية إلى SQL والفهرس على المنفذ 3001. عامل استيعاب يكتب التضمينات على المنفذ 3002. وقاعدة بيانات Postgres مع pgvector تخزن الفهرس والأنطولوجيا والمتجهات.
يمكن أن تكون قواعد البيانات المصدرية Databricks أو Postgres أو Snowflake أو DuckDB. يتم ضبط النماذج من خلال "ثلاثيات" البيئة المكونة من نقطة النهاية والمفتاح والنموذج. توجد أدوار منفصلة للاستدلال، وغير الاستدلالي، والتضمين، وإعادة الترتيب. أي نقطة نهاية متوافقة مع OpenAI تعمل.
ما الذي يكشفه خادم MCP؟
الـ وثائق خادم MCP تصف 9 أدوات للقراءة فقط. ask_question يعيد الإجابة وSQL والصفوف كحقول منفصلة. تُحَدّ النتائج عند 100 صف كحد أقصى. check_readiness يؤكد وجود طبقة دلالية مُجمّعة واتصال قاعدة بيانات نشط.
لا توجد أداة لتصفح المخططات الخام. اختارت NVIDIA ذلك عمداً، حتى تصل الوكلاء إلى البيانات عبر الطبقة الدلالية. تنشر مواصفة OpenAPI الأساسية 87 عملية. يتم تسجيل الدخول عبر OAuth، وتحمل كل استدعاء أذونات المستخدم المسجل دخوله.
كيف تتم المقارنة المعيارية له؟
شحنّة NVIDIA تتضمن هيكلًا منفصلًا، auto-ontology-evalيشغّل 2 من الأذرع في NeMo Gym: تحكم LLM بمخطط فقط، والوكيل المؤسَّس على الأنطولوجيا. التقييم مطابقة تنفيذية حتمية، دون قاضٍ LLM.
تشمل مجموعات البيانات المرفقة BIRD Dev (1,534 سؤالاً، 11 قاعدة بيانات) وMini-Dev (500 سؤال). ويضيف FDABench-Lite 169 سؤالاً، بينما يعتمد BEAVER افتراضياً على عينة مكوّنة من 100 سؤال.
يضيف مستودع harness قيدَين من القيود يبلغ عددها 2. فأمثلة few-shot الاختيارية ومرسّيات القيمة value anchors تُوجَّه إلى ذراع الأنطولوجيا فقط، بحيث أي delta تُقاس بها تغطي تلك المدخلات، لا التأسيس وحده. كما أن الإعدادات المُختبَرة تُمرِّر كلا الذراعين عبر نموذج Claude على بوابة الاستدلال الخاصة بـ NVIDIA.
كيف يمكن مقارنته بالطبقات الدلالية الأخرى؟
| ميزة | NVIDIA Auto Ontology | Wren AI | Cube Core | dbt MetricFlow |
|---|---|---|---|---|
| الترخيص | Apache 2.0 | نواة Apache 2.0 (open core) | خادم خلفي Apache 2.0، وعميل MIT | Apache 2.0 (الإصدار v0.209.0 فما فوق) |
| كيف تُبنى الطبقة | تُولَّد من البيانات الوصفية ثم تُعتمد | ملفات سياق بمساعدة الوكيل تُحفظ في Git | مُعرَّفة في الكود | مُعرَّفة في الكود داخل مشروع dbt |
| واجهة الوكيل | MCP، CLI، REST API | MCP، CLI، وحِزم SDKs | واجهات SQL، REST، GraphQL APIs | مكتبة Python وأداة CLI |
| مصادر البيانات | Databricks، Postgres، Snowflake، DuckDB | 22+ | جميع مصادر بيانات SQL | عبر محوّلات dbt |
| النماذج الافتراضية | Nemotron عبر NVIDIA NIM | غير مُفصح عنه | لا ينطبق | لا ينطبق |
النشر والتوافر
الإعداد المحلي هو docker compose up -d --build بعد تعبئة .env. ويحصل مستخدمو Kubernetes على مخطط Helm و DEPLOYMENT.md دليل. كما ينشر فريق NVIDIA الواجهة الخلفية كحاوية NGC container. ومفتاح NVIDIA API من build.nvidia.com يغطي النماذج الافتراضية.
الخلاصات الرئيسية
- يقوم Auto Ontology بتوليد طبقة دلالية أولية من البيانات الوصفية للمؤسسة.
- يستعلم الوكلاء عنه من خلال 9 أدوات MCP للقراءة فقط، بالإضافة إلى واجهة سطر الأوامر وAPI.
- أفادت NVIDIA بأن إنشاء الأنطولوجيات أصبح أسرع بنسبة 90% في اختباراتها الخاصة.
- لم تُنشر بعد أي درجات دقة لتحويل النص إلى SQL.
- يعتمد افتراضيًا على Nemotron عبر NIM، لكنه يقبل أي نقطة نهاية متوافقة مع OpenAI.
ألقِ نظرة على مستودع GitHubو إطار التقييم وثائق MCP. أيضًا، لا تتردد في متابعتنا على تويتر ولا تنسَ الانضمام إلى مجتمع ML الفرعي على Reddit الذي يضم أكثر من 150k+ عضو والاشتراك في نشرتنا البريدية. مهلًا! هل أنت على تيليجرام؟ يمكنك الآن الانضمام إلينا على تيليجرام أيضًا.
هل تحتاج إلى الشراكة معنا للترويج لمستودع GitHub الخاص بك أو صفحتك على Hugging Face أو إطلاق منتجك أو ندوة عبر الإنترنت وغير ذلك؟ تواصل معنا
ظهر المقال NVIDIA تطلق Auto Ontology: طبقة دلالية مفتوحة تُثبّت استعلامات SQL لوكلاء الذكاء الاصطناعي أول مرة على MarkTechPost.