NVIDIA a publié Auto Ontology, une bibliothèque ouverte sous la licence Apache 2.0. NVIDIA Auto Ontology est un framework de couche sémantique qui construit une couche de contexte à partir des métadonnées d'entreprise. Les agents utilisent cette couche pour écrire du SQL à partir de définitions métier certifiées. Le dépôt énonce le problème simplement : une réponse rapide sur le revenu ne vaut rien si le chiffre est faux.
TL;DR
- Bibliothèque : Le LLM par défaut est
nvidia/nemotron-3-nano-30b-a3b, avec des modèles d'embedding et de reranking Nemotron. - Fonctionne sur : Docker Compose pour une pile locale, ou Kubernetes via Helm. L'inférence utilise des points de terminaison NVIDIA NIM hébergés ou des NIMs auto-hébergés.
- Performance : Ingénierie solide, preuves publiques minces.
- Points forts : Temps de création d'ontologie réduit de 90% lors des tests de NVIDIA (auto-déclaré).
- Points faibles : 0 score d'exactitude text-to-SQL publié. Le dépôt d'évaluation livre un harnais, pas des résultats.
- En résumé : Une couche de contexte ouverte, prête pour MCP, que n'importe quel harnais d'agent peut interroger. Mais vous devez exécuter les benchmarks vous-même pour lui faire confiance.
Qu'est-ce que NVIDIA Auto Ontology ?
C'est une couche de contexte qui se situe entre un agent et l'entrepôt de données. Elle indique à l'agent où se trouvent les données et ce que signifient les champs. Elle précise aussi s'il faut utiliser un champ, comment l'utiliser et d'où il provient.
Voici les cinq fonctions :
- Découvrir : générer des ontologies à partir des métadonnées et connecter des modèles sémantiques existants.
- Ancrer : donner aux agents une signification fiable pour les métriques, entités et relations.
- Valider : vérifier les requêtes générées par rapport aux définitions certifiées et à la lignée des données.
- Exposer : servir le contexte via MCP, CLI et API.
- Apprendre : réintégrer les corrections certifiées dans l'ontologie.
NVIDIA page développeur présente le résultat comme une ontologie de départ. Les experts métier doivent encore la tester, la raffiner et la certifier.
Comment fonctionne Auto Ontology ?
La pile comporte 4 services principaux. Un frontend Next.js 16 gère l'interface web et l'authentification sur le port 3000. Un backend FastAPI avec LangChain exécute les API de chat, de NL-to-SQL et de catalogue sur le port 3001. Un worker d'ingestion écrit les embeddings sur le port 3002. Postgres avec pgvector stocke le catalogue, l'ontologie et les vecteurs.
Les bases de données sources peuvent être Databricks, Postgres, Snowflake ou DuckDB. Les modèles sont configurés via des « triplets » d'environnement composés d'endpoint, de clé et de modèle. Des rôles distincts existent pour le raisonnement, le non-raisonnement, l'embedding et le reranking. Tout endpoint compatible OpenAI fonctionne.
Que expose le serveur MCP ?
La documentation du serveur MCP décrit 9 outils en lecture seule. ask_question renvoie la réponse, le SQL et les lignes sous forme de champs distincts. Les résultats sont plafonnés à 100 lignes. check_readiness confirme qu'une couche sémantique compilée et une connexion à une base de données active existent.
Il n'existe aucun outil pour parcourir les schémas bruts. NVIDIA a fait ce choix délibérément, afin que les agents accèdent aux données via la couche sémantique. La spécification OpenAPI sous-jacente publie 87 opérations. La connexion s'effectue via OAuth, et chaque appel porte les permissions de l'utilisateur connecté.
Comment est-il évalué ?
NVIDIA fournit un harnais distinct, auto-ontology-eval. Il exécute 2 bras dans NeMo Gym : un contrôle LLM basé sur le seul schéma et l'agent adossé à l'ontologie. La notation repose sur une correspondance d'exécution déterministe, sans juge LLM.
Les jeux de données inclus comprennent BIRD Dev (1,534 questions, 11 bases de données) et Mini-Dev (500 questions). FDABench-Lite ajoute 169 questions, et BEAVER utilise par défaut un échantillon de 100 questions.
Le dépôt du harnais mentionne 2 limites. Les exemplaires few-shot optionnels et les ancres de valeurs ne vont qu'au bras ontologie. Un delta mesuré avec eux couvre ces entrées, pas le grounding seul. Sa configuration testée achemine également les deux bras via un modèle Claude sur la passerelle d'inférence de NVIDIA.
Comment se compare-t-il aux autres couches sémantiques ?
| Fonctionnalité | NVIDIA Auto Ontology | Wren AI | Cube Core | dbt MetricFlow |
|---|---|---|---|---|
| Licence | Apache 2.0 | Cœur Apache 2.0 (open core) | Backend Apache 2.0, client MIT | Apache 2.0 (v0.209.0+) |
| Construction de la couche | Générée à partir des métadonnées, puis certifiée | Fichiers de contexte assistés par agent dans Git | Définie en code | Définie en code dans un projet dbt |
| Interface agent | MCP, CLI, API REST | MCP, CLI, SDK | API SQL, REST, GraphQL | Bibliothèque Python et CLI |
| Sources de données | Databricks, Postgres, Snowflake, DuckDB | 22+ | Toutes les sources de données SQL | Via les adaptateurs dbt |
| Modèles par défaut | Nemotron via NVIDIA NIM | Non divulgué | Non applicable | Non applicable |
Déploiement et disponibilité
La configuration locale est docker compose up -d --build après avoir renseigné .env. Les utilisateurs de Kubernetes disposent d'un chart Helm et d'un DEPLOYMENT.md guide. L'équipe NVIDIA publie également le backend sous forme de conteneur NGC. Une clé API NVIDIA provenant de build.nvidia.com couvre les modèles par défaut.
Points clés à retenir
- Auto Ontology génère une couche sémantique de départ à partir des métadonnées d'entreprise.
- Les agents l'interrogent via 9 outils MCP en lecture seule, plus le CLI et l'API.
- NVIDIA rapporte une création d'ontologie 90 % plus rapide lors de ses propres tests.
- Aucun score de précision text-to-SQL n'est encore publié.
- Par défaut sur Nemotron via NIM, mais accepte tout endpoint compatible OpenAI.
Découvrez le dépôt GitHub, le harnais d'évaluation et la documentation MCP. N'hésitez pas également à nous suivre sur Twitter et n'oubliez pas de rejoindre notre SubReddit ML de plus de 150k membres et de vous abonner à notre Newsletter. Attention ! Êtes-vous sur telegram ? vous pouvez maintenant nous rejoindre sur telegram également.
Besoin de vous associer à nous pour promouvoir votre dépôt GitHub OU votre page Hugging Face OU le lancement d'un produit OU un webinaire, etc. ? Contactez-nous
L'article NVIDIA publie Auto Ontology : une couche sémantique ouverte qui ancre le SQL des agents d'IA est apparu en premier sur MarkTechPost.