NVIDIAはリリースしました Auto Ontology、これは次のライセンスの下でのオープンライブラリです: Apache 2.0ライセンス。NVIDIA Auto Ontologyは、企業のメタデータからコンテキストレイヤーを構築するセマンティックレイヤーフレームワークです。エージェントはこのレイヤーを利用して、認証済みのビジネス定義に基づくSQLを作成します。 リポジトリ は問題を率直に述べています: 数値が間違っていれば、迅速な売上回答は無価値であると。
TL;DR
- ライブラリ: デフォルトのLLMは
nvidia/nemotron-3-nano-30b-a3bで、Nemotronの埋め込みモデルとリランキングモデルを搭載しています。 - 動作環境: ローカルスタックにはDocker Compose、またはHelm経由でKubernetes。推論にはホスト型のNVIDIA NIMエンドポイントまたはセルフホストのNIMを使用します。
- パフォーマンス: エンジニアリングは堅実だが、公開されている証拠は薄い。
- 長所: NVIDIAのテスト(自己申告)では、オントロジー作成時間が90%短縮。
- 短所: 公開されているtext-to-SQLの精度スコアは0件。評価リポジトリにはハーネスが同梱されているが、結果は含まれていない。
- 結論: あらゆるエージェントハーネスからクエリ可能な、オープンでMCP対応のコンテキストレイヤー。ただし、信頼するには自身でベンチマークを実行する必要がある。
NVIDIA Auto Ontologyとは?
これは、エージェントとデータウェアハウスの間に位置するコンテキストレイヤーです。エージェントに対して、データがどこにあるか、フィールドが何を意味するかを伝えます。また、フィールドを使用すべきか、どのように使用するか、どこから来たかも示します。
以下は5つの役割です:
- Discover(発見): メタデータからオントロジーを生成し、既存のセマンティックモデルに接続する。
- Ground(根拠づけ): メトリクス、エンティティ、リレーションシップについて、エージェントに信頼できる意味を与える。
- Validate(検証): 生成されたクエリを、認証済みの定義およびリネージと照合して検証する。
- 暴露: MCP、CLI、APIを通じてコンテキストを提供します。
- 学ぶ： オントロジーに認証済みの修正を反映し直します。
NVIDIAの 開発者ページ 出力を起点となるオントロジーとして位置づけます。ビジネスエキスパートが依然としてテスト、改良、認証を行います。
Auto Ontologyはどのように機能するのですか?
このスタックには4つのコアサービスがあります。Next.js 16のフロントエンドがポート3000でWeb UIと認証を処理します。LangChainを使用したFastAPIバックエンドがポート3001でチャット、NL-to-SQL、カタログAPIを実行します。取り込みワーカーがポート3002でエンベディングを書き込みます。pgvector付きのPostgresがカタログ、オントロジー、ベクトルを保存します。
ソースデータベースには Databricks、Postgres、Snowflake、または DuckDB を利用できます。モデルは、エンドポイント・キー・モデルの環境変数による「トリプレット」で設定します。推論用、非推論用、埋め込み用、リランキング用のそれぞれに個別のロールが存在します。OpenAI 互換のエンドポイントであればどれでも動作します。
MCPサーバーは何を公開していますか?
ザ・ MCPサーバーのドキュメント 読み取り専用ツールを9つ説明する。 ask_question 回答、SQL、行を別々のフィールドとして返します。結果は最大100行に制限されます。 check_readiness コンパイルされたセマンティックレイヤーとライブのデータベース接続が存在することを確認します。
生のスキーマを閲覧するツールはありません。NVIDIA はそれを意図的に選択しており、エージェントにはセマンティックレイヤーを通じてデータに到達させます。基盤となる OpenAPI 仕様は 87 個のオペレーションを公開しています。サインインは OAuth を通じて実行され、すべての呼び出しにはサインイン中のユーザーの権限が付与されます。
ベンチマークはどのように行われるのか？
NVIDIAは別のハーネスである auto-ontology-evalを提供している。これはNeMo Gymで2つのアームを実行する：スキーマのみのLLMコントロールと、オントロジーに基づくエージェントである。スコアリングは決定論的な実行一致であり、LLMジャッジは使用しない。
同梱データセットには BIRD Dev（1,534問、11データベース）とMini-Dev（500問）が含まれる。FDABench-Liteは169問を追加し、BEAVERはデフォルトで100問のサンプルを使用する。
ハーネスのリポジトリには2つの制限が記されている。オプションのfew-shot exemplarとvalue anchorはオントロジーアームのみに渡される。それらを使って測定された差分は、それらの入力をカバーするものであり、グラウンディング単独の効果ではない。また、テストされた構成では、両アームともNVIDIAの推論ゲートウェイ経由でClaudeモデルにルーティングされている。
他のセマンティックレイヤーとどう比較されるのか？
| 機能 | NVIDIA Auto Ontology | Wren AI | Cube Core | dbt MetricFlow |
|---|---|---|---|---|
| ライセンス | Apache 2.0 | Apache 2.0 コア（オープンコア） | バックエンドは Apache 2.0、クライアントは MIT | Apache 2.0（v0.209.0 以降） |
| セマンティックレイヤーの構築方法 | メタデータから生成した後、認証（certified）される | Git 内でエージェント支援によるコンテキストファイル | コードで定義 | dbt プロジェクト内でコードとして定義 |
| エージェントインターフェース | MCP、CLI、REST API | MCP、CLI、SDK | SQL、REST、GraphQL API | Python ライブラリおよび CLI |
| データソース | Databricks、Postgres、Snowflake、DuckDB | 22+ | すべての SQL データソース | dbt アダプター経由 |
| デフォルトモデル | NVIDIA NIM 経由の Nemotron | 非公開 | 該当なし | 該当なし |
デプロイと可用性
ローカル環境のセットアップは docker compose up -d --build を入力した後、 .envです。Kubernetes ユーザーには Helm チャートと DEPLOYMENT.md ガイド。NVIDIAチームはバックエンドも NGCコンテナとして公開しています。 build.nvidia.com のNVIDIA APIキーがデフォルトモデルをカバーします。
主なポイント
- Auto Ontologyは、エンタープライズメタデータから初期のセマンティックレイヤーを生成します。
- エージェントは、読み取り専用の9つのMCPツールに加えて、CLIとAPIを通じてクエリを実行します。
- NVIDIAは自社のテストにおいて、オントロジー作成が90%高速化したと報告しています。
- text-to-SQLの正確性スコアはまだ公表されていません。
- NIMではデフォルトでNemotronを使用しますが、OpenAI互換のエンドポイントであればどれでも受け付けます。
こちらをご覧ください: GitHubリポジトリ、その eval harness 「and the」 MCPドキュメント。また、ぜひ私たちをフォローしてください Twitter また、私たちの 150kを超えるMLサブレディット また、登録してください 当社のニュースレター. 待ってください!あなたはTelegramを使っていますか? 今では、Telegram にも参加できるようになりました。
GitHubリポジトリ、Hugging Faceページ、製品リリース、ウェビナーなどのプロモーションで当社との提携をご希望ですか? 私たちとつながりましょう
この投稿 NVIDIA、Auto Ontologyを公開：AIエージェントのSQLを接地するオープンなセマンティックレイヤー 最初に掲載されたのは MarkTechPost.