NVIDIA официально выпустила Auto Ontology — библиотеку с открытым исходным кодом под лицензией Apache 2.0. Это решение призвано решить одну из главных проблем внедрения AI-агентов в корпоративную среду: галлюцинации при генерации SQL-запросов. Вместо того чтобы заставлять LLM угадывать смысл полей в базе данных, Auto Ontology создает промежуточный «контекстный слой», который объясняет агенту, где лежат данные, что означают метрики и как их правильно использовать.
Как это работает: архитектура и стек
Система состоит из четырех основных сервисов, развертываемых через Docker Compose или Kubernetes (Helm). Frontend на Next.js 16 обеспечивает аутентификацию, а бэкенд на FastAPI с LangChain обрабатывает запросы NL-to-SQL. Данные хранятся в Postgres с расширением pgvector. Ключевая особенность — интеграция с NVIDIA NIM: по умолчанию используется модель nvidia/nemotron-3-nano-30b-a3b, но система поддерживает любой OpenAI-совместимый эндпоинт.
Auto Ontology выполняет пять ключевых задач:
- Discover: генерация онтологий из метаданных и подключение существующих семантических моделей.
- Ground: предоставление агентам доверенных определений метрик и связей.
- Validate: проверка сгенерированных запросов на соответствие сертифицированным определениям.
- Expose: предоставление контекста через MCP, CLI и API.
- Learn: интеграция исправлений от бизнес-экспертов обратно в онтологию.
Интеграция с агентами через MCP
Для взаимодействия с AI-агентами используется сервер Model Context Protocol (MCP), который предоставляет 9 инструментов только для чтения. Важно, что NVIDIA сознательно исключила инструменты для просмотра сырых схем, заставляя агентов работать исключительно через семантический слой. Это снижает риск ошибок, вызванных неверной интерпретацией названий полей.
Сравнение с конкурентами
Auto Ontology позиционируется как более автоматизированная альтернатива существующим семантическим слоям, таким как Wren AI или Cube Core. В отличие от dbt MetricFlow, где метрики определяются кодом, Auto Ontology генерирует начальную онтологию из метаданных, которую затем верифицируют эксперты.
| Характеристика | NVIDIA Auto Ontology | Wren AI | Cube Core | dbt MetricFlow |
|---|---|---|---|---|
| Лицензия | Apache 2.0 | Apache 2.0 (open core) | Apache 2.0 backend, MIT client | Apache 2.0 (v0.209.0+) |
| Создание слоя | Генерация из метаданных + сертификация | Файлы контекста в Git | Определение в коде | Определение в коде (dbt) |
| Интерфейс агента | MCP, CLI, REST API | MCP, CLI, SDKs | SQL, REST, GraphQL | Python lib, CLI |
| Источники данных | Databricks, Postgres, Snowflake, DuckDB | 22+ | Все SQL-источники | Через адаптеры dbt |
| Модели по умолчанию | Nemotron (NVIDIA NIM) | Не раскрывается | Не применимо | Не применимо |
Бенчмарки и ограничения
NVIDIA заявляет, что время создания онтологии сокращается на 90% по сравнению с ручным подходом. Однако важно отметить: в репозитории auto-ontology-eval пока нет опубликованных метрик точности text-to-SQL. Тестовый харнес использует датасеты BIRD Dev (1,534 вопроса) и Mini-Dev (500 вопросов), но результаты зависят от конфигурации и могут включать few-shot примеры, что искажает чистую оценку «заземления» (grounding). Разработчикам рекомендуется запускать бенчмарки самостоятельно для верификации качества на своих данных.
Источник: MarkTechPost ↗