NVIDIA ha lanzado Auto Ontology, una biblioteca abierta bajo la licencia Apache 2.0. NVIDIA Auto Ontology es un framework de capa semántica que construye una capa de contexto a partir de metadatos empresariales. Los agentes utilizan esa capa para escribir SQL contra definiciones de negocio certificadas. El repositorio plantea el problema de manera clara: una respuesta rápida de ingresos es inútil si el número es incorrecto.

TL;DR

• Biblioteca: LLM predeterminada es nvidia/nemotron-3-nano-30b-a3b, con modelos de incrustación y reordenamiento de Nemotron.
• Se ejecuta en: Docker Compose para una pila local, o Kubernetes a través de Helm. La inferencia utiliza puntos finales de NVIDIA NIM alojados o NIMs autoalojados.
• Rendimiento: Ingeniería sólida, poca evidencia pública.
• Mejor: El tiempo de creación de ontología se redujo en un 90% en las pruebas de NVIDIA (autoinformadas).
• Peor: No se han publicado puntuaciones de precisión de texto a SQL. El repositorio de evaluación envía un arnés, no resultados.
• Conclusión: Una capa de contexto abierta y lista para MCP que cualquier arnés de agente puede consultar. Pero debes ejecutar las pruebas de rendimiento tú mismo para confiar en ella.

¿Qué es NVIDIA Auto Ontology?

Es una capa de contexto que se sitúa entre un agente y el almacén de datos. Le indica al agente dónde vive los datos y qué significan los campos. También indica si se debe utilizar un campo, cómo utilizarlo y de dónde proviene.

Aquí están los cinco trabajos:

• Descubrir: generar ontologías a partir de metadatos y conectar modelos semánticos existentes.
• Establecer: dar a los agentes un significado confiable para las métricas, las entidades y las relaciones.
• Validar: verificar las consultas generadas contra definiciones y linaje certificados.
• Exponer: servir contexto a través de MCP, CLI y API.
• Aprender: incorporar correcciones certificadas en la ontología.

La página de desarrolladores de NVIDIA presenta la salida como una ontología inicial. Los expertos empresariales aún la prueban, refinan y certifican.

¿Cómo funciona Auto Ontology?

La pila tiene 4 servicios básicos. Un frontend de Next.js 16 maneja la interfaz de usuario web y la autenticación en el puerto 3000. Un backend de FastAPI con LangChain ejecuta las APIs de chat, NL-to-SQL y catálogo en el puerto 3001. Un worker de ingesta escribe embeddings en el puerto 3002. Postgres con pgvector almacena el catálogo, la ontología y los vectores.

Las bases de datos de origen pueden ser Databricks, Postgres, Snowflake o DuckDB. Los modelos se configuran a través de "triplets" de entorno de endpoint, clave y modelo. Existen roles separados para razonamiento, no razonamiento, embedding y reordenamiento. Cualquier endpoint compatible con OpenAI funciona.

¿Qué expone el servidor MCP?

La documentación del servidor MCP describe 9 herramientas de solo lectura. ask_question devuelve la respuesta, el SQL y las filas como campos separados. Los resultados se limitan a 100 filas. check_readiness confirma que existe una capa semántica compilada y una conexión de base de datos en vivo.

No hay herramienta para navegar esquemas raw. NVIDIA eligió eso a propósito, para que los agentes alcancen los datos a través de la capa semántica. La especificación OpenAPI subyacente publica 87 operaciones. El inicio de sesión se ejecuta a través de OAuth, y cada llamada lleva los permisos del usuario conectado.

¿Cómo se benchmarkea?

NVIDIA envía un arnés separado, auto-ontology-eval. Ejecuta 2 brazos en NeMo Gym: un control de LLM solo esquema y el agente basado en ontología. La puntuación es una ejecución determinista de coincidencia, sin juez LLM.

Los conjuntos de datos empaquetados incluyen BIRD Dev (1,534 preguntas, 11 bases de datos) y Mini-Dev (500 preguntas). FDABench-Lite agrega 169 preguntas, y BEAVER predetermina una muestra de 100 preguntas.

El repositorio del arnés agrega 2 limitaciones. Los ejemplos de few-shot y los anclajes de valor opcionales van solo al brazo de la ontología. Una delta medida con ellos cubre esas entradas, no solo la fundamentación. Su configuración de prueba también enruta ambos brazos a través de un modelo Claude en la puerta de inferencia de NVIDIA.

¿Cómo se compara con otras capas semánticas?

Implementación y disponibilidad

La configuración local es docker compose up -d --build después de llenar .env. Los usuarios de Kubernetes obtienen un gráfico de Helm y una guía DEPLOYMENT.md. El equipo de NVIDIA también publica el backend como un contenedor NGC. Una clave de API de NVIDIA desde build.nvidia.com cubre los modelos predeterminados.

Puntos clave

• Auto Ontology genera una capa semántica inicial a partir de metadatos empresariales.
• Los agentes consultan a través de 9 herramientas de solo lectura MCP, más CLI y API.
• NVIDIA informa una creación de ontología un 90% más rápida en sus propias pruebas.
• Todavía no se publican puntuaciones de precisión de texto a SQL.
• Se establece de forma predeterminada en Nemotron en NIM, pero acepta cualquier punto final compatible con OpenAI.

Revisa el repositorio de GitHub, el conjunto de evaluación y la documentación de MCP. También, no dudes en seguirnos en Twitter y no te olvides de unirte a nuestro SubReddit de ML de 150k+ y suscribirte a nuestro boletín informativo. ¡Espera! ¿Estás en Telegram? ahora también puedes unirte a nosotros en Telegram

¿Necesitas asociarte con nosotros para promocionar tu repositorio de GitHub o tu página de Hugging Face o lanzamiento de producto o webinar, etc.? Conéctate con nosotros

La publicación NVIDIA lanza Auto Ontology: una capa semántica abierta que fundamenta el SQL de los agentes de IA apareció por primera vez en MarkTechPost.