NVIDIA Auto Ontology: otwarta warstwa semantyczna, która ma powstrzymać agentów AI przed błędnym SQL
W skrócie
- NVIDIA udostępniła na licencji Apache 2.0 bibliotekę Auto Ontology, która na podstawie metadanych firmy buduje warstwę semantyczną dla agentów AI.
- Agenci piszą zapytania SQL w oparciu o zatwierdzone definicje biznesowe, a kontekst dostają przez MCP, CLI i API, przy czym obsługiwane są Databricks, Postgres, Snowflake i DuckDB.
- NVIDIA podaje, że tworzenie ontologii przyspieszyło o 90%, ale to wynik z jej własnych testów, a wyników dokładności text-to-SQL na razie nie opublikowano.
NVIDIA udostępniła Auto Ontology, otwartą bibliotekę w Pythonie na licencji Apache 2.0. Na podstawie metadanych przedsiębiorstwa buduje ona warstwę semantyczną między agentem AI a hurtownią danych. Agenci mają pisać zapytania SQL w oparciu o zatwierdzone (certyfikowane) definicje biznesowe, a nie zgadywać znaczenie z nazw kolumn marktechpost.com github.com.
Jaki problem ma rozwiązać
Zapytanie SQL może być poprawne składniowo i mimo to błędne merytorycznie. Agent może na przykład sięgnąć po niewłaściwe pole z przychodem albo pominąć firmowe zasady raportowania alphasignal.ai.
Opis projektu ujmuje to tak: szybka odpowiedź o przychodach jest bezwartościowa, jeśli liczba się nie zgadza marktechpost.com.
Auto Ontology ma dawać agentom zatwierdzone definicje, relacje między danymi i ich pochodzenie (lineage). Według repozytorium warstwa ta mówi agentowi, gdzie leżą dane, co znaczą, czy w ogóle ich używać i jak, skąd pochodzą oraz co jest do nich podobne github.com.
Biblioteka jest częścią szerszej zapowiedzi. 21 października 2026 r. NVIDIA rozszerzyła swój Agent Toolkit o pakiet Agent Knowledge Foundation. Według firmy Auto-Ontology „przekłada surowe dane firmowe na znane pojęcia biznesowe” i mapuje relacje między nimi, np. między klientami, produktami i zamówieniami blogs.nvidia.com.
W tym samym pakiecie znalazły się modele Nemotron Retriever, biblioteki CUDA-X i otwarte modele Kumo do danych strukturalnych. NVIDIA zapewnia, że firmy mogą z nich korzystać bez przenoszenia danych i bez zmiany zasad zarządzania nimi blogs.nvidia.com.
Jak to działa
W repozytorium pracę biblioteki opisano jako cykl pięciu etapów github.com:
- Discover: generowanie ontologii z metadanych, podłączanie istniejących ontologii i modeli semantycznych, budowa grafów wiedzy;
- Ground: nadawanie metrykom, encjom i relacjom znaczenia biznesowego oraz uzgadnianie definicji, które w różnych systemach się nie zgadzają;
- Validate: sprawdzanie wygenerowanych zapytań względem certyfikowanych definicji i lineage, z informacją o pochodzeniu przy każdej odpowiedzi;
- Expose: udostępnianie kontekstu agentom przez MCP, CLI i API;
- Learn: włączanie do ontologii zatwierdzonych poprawek i danych o użyciu.
Obsługiwane źródła danych to Databricks, Postgres, Snowflake i DuckDB. Wnioskowanie działa na NVIDIA NIM, w wersji hostowanej albo uruchamianej we własnej infrastrukturze. Domyślne modele to nvidia/nemotron-3-nano-30b-a3b (LLM), nvidia/nemotron-3-embed-1b (embeddingi) i nvidia/llama-nemotron-rerank-vl-1b-v2 (reranking). Można też podpiąć dowolny endpoint zgodny z API OpenAI github.com.
Pod spodem działają frontend Next.js 16, backend FastAPI z LangChain, osobny proces indeksujący oraz Postgres z pgvector. Wdrożenie jest możliwe przez Docker Compose lokalnie albo przez Helm na Kubernetesie github.com marktechpost.com.
Serwer MCP z celowymi ograniczeniami
Dokumentacja serwera MCP pokazuje, że projektanci postawili na ostrożność. Serwer udostępnia dziewięć narzędzi, m.in. ask_question, check_answerable i search_terms, i wszystkie służą wyłącznie do odczytu. Nic nie zmienia słownika pojęć, katalogu ani baz danych github.com.
Wyniki są ograniczone do 100 wierszy. Celowo nie ma narzędzia do przeglądania surowych schematów i kolumn, więc agent ma pracować na pojęciach biznesowych, a nie na tabelach github.com.
Uprawnienia są sprawdzane przy każdym wywołaniu na koncie użytkownika. Sesja agenta może więc zrobić dokładnie to, na co pozwalają uprawnienia osoby, która za nią stoi github.com.
Autorzy tłumaczą, że wystawienie wszystkich 87 operacji ze specyfikacji API mocno pogorszyłoby trafność wyboru narzędzi przez model github.com.
README zawiera też ostrzeżenia. Bez HashiCorp Vault dane logowania do baz dodane w interfejsie, w tym hasła, są przechowywane w Postgresie bez szyfrowania. Wewnętrzny port FastAPI nie może być wystawiony publicznie github.com.
Projekt na razie nie przyjmuje zewnętrznych zmian w kodzie github.com.
Co wiadomo o skuteczności
NVIDIA podaje, że w jej własnych testach tworzenie ontologii przyspieszyło o 90%. MarkTechPost podkreśla jednak, że to dane deklarowane przez producenta, a wyników dokładności text-to-SQL jeszcze nie opublikowano marktechpost.com.
Osobne repozytorium auto-ontology-eval porównuje model z samym schematem bazy z agentem opartym na ontologii. Używa benchmarków takich jak BIRD Dev (1534 pytania, 11 baz), Mini-Dev (500 pytań), FDABench-Lite (169 pytań) i BEAVER (domyślnie próbka 100 pytań) github.com.
Twórcy zaznaczają, że przykłady SQL i tzw. kotwice wartości trafiają tylko do wariantu z ontologią. Ewentualna przewaga mierzy więc także te dodatkowe dane wejściowe, a nie samo ugruntowanie w ontologii github.com.
MarkTechPost zestawia Auto Ontology z Wren AI, Cube Core i dbt MetricFlow. Jako główną różnicę wskazuje to, że ontologia jest generowana z metadanych i dopiero potem zatwierdzana, a nie pisana ręcznie w kodzie marktechpost.com.
Co to oznacza
Sedno problemu z agentami AI w firmach rzadko leży w samym modelu. Częściej chodzi o to, że model nie wie, co w danej organizacji znaczy „przychód”, „aktywny klient” czy „zamówienie”. Auto Ontology przenosi ciężar z inżynierii promptów na zarządzanie znaczeniem danych. To kierunek, w którym zmierza też konkurencja, ale tu NVIDIA daje otwarty kod, który można uruchomić we własnej infrastrukturze.
Dla polskich firm, zwłaszcza z sektorów regulowanych, takich jak banki, ubezpieczenia czy energetyka, ważne są dwie cechy. Pierwsza to możliwość wdrożenia we własnym środowisku z własnymi modelami. Druga to model bezpieczeństwa MCP oparty na uprawnieniach konkretnego użytkownika i dostępie tylko do odczytu. Takie wymagania zwykle stawiają działy bezpieczeństwa i zgodności.
Trzeba jednak pamiętać, że to wczesny projekt. Liczba 90% pochodzi od producenta, porównań dokładności brak, a domyślna konfiguracja ma słabe punkty, choćby niezaszyfrowane hasła bez Vault. Biblioteka może skrócić żmudną pracę nad modelem semantycznym, ale nie zastąpi ludzi, którzy te definicje uzgodnią i zatwierdzą. Etap certyfikacji pozostaje po stronie organizacji.
Szerszy kontekst
Nie opublikowano jeszcze żadnych wyników dokładności text-to-SQL.
NVIDIA informuje, że w jej własnych testach tworzenie ontologii było o 90% szybsze.
Celowo nie ma narzędzia do przeglądania baz danych, schematów ani surowych kolumn.
przebieg ograniczony limitem zapytań albo przerwany przez błąd daje wynik bliski zera i nie da się go odróżnić od słabego modelu
Agenci są tylko tak użyteczni, jak wiedza, którą mają, i tylko tak godni zaufania, jak granice, w których działają.
Analiza
Najciekawsza w Auto Ontology nie jest sama technologia, tylko zmiana tego, w co NVIDIA inwestuje. Po latach sprzedawania mocy obliczeniowej firma bierze się za najmniej efektowną część wdrożeń AI: uzgadnianie, co dane w firmie właściwie znaczą. Biblioteka jest częścią pakietu Agent Knowledge Foundation razem z modelami Kumo i Nemotron Retriever. Na liście firm budujących na tym pakiecie są AWS, IBM, Oracle, Snowflake, ClickHouse i Starburst (wg blogs.nvidia.com). Otwarta licencja Apache 2.0 to dla NVIDIA sposób, by stać się domyślną warstwą kontekstu dla agentów, a domyślne modele to Nemotron uruchamiany na NIM.
Dojrzałość projektu widać w części bezpieczeństwa: serwer MCP jest tylko do odczytu, ogranicza wyniki do 100 wierszy i sprawdza uprawnienia użytkownika przy każdym wywołaniu. README przyznaje jednak, że bez Vault hasła do baz leżą w Postgresie niezaszyfrowane, a projekt nie przyjmuje zewnętrznych zmian w kodzie. Słabszym punktem są dowody: jedyna liczba, 90% szybsze budowanie ontologii, pochodzi z testów samej NVIDIA, a repozytorium ewaluacyjne nie publikuje wyników dokładności i faworyzuje wariant z ontologią, który dostaje dodatkowe przykłady SQL i kotwice wartości.
Pytanie od redakcji
Odpowiedź
Częściowo tak, ale przede wszystkim w firmach, które już mają uporządkowane dane. Auto Ontology rozwiązuje realny i dobrze znany problem: agent pisze poprawny składniowo SQL, który liczy nie to, co trzeba. Najbardziej żmudny etap, czyli budowę modelu semantycznego, automatyzuje z metadanych. Pomaga też, że kontekst trafia do agentów przez standardowe MCP, CLI i API, że obsługiwane są popularne hurtownie (Databricks, Snowflake, Postgres, DuckDB) i że całość można postawić u siebie, z modelami zgodnymi z API OpenAI. Dla firmy, która chce dać agentom dostęp do danych bez ryzyka modyfikacji i z kontrolą uprawnień, to gotowy punkt startowy zamiast budowania warstwy od zera.
Biblioteka nie usuwa jednak sedna trudności. Definicje trzeba nadal certyfikować, a spory o to, jak liczyć „przychód”, rozstrzygają ludzie, nie generator ontologii. Brakuje też niezależnych danych o skuteczności: poza deklarowanymi przez NVIDIA 90% oszczędności czasu nie ma opublikowanych wyników text-to-SQL. Wdrożenie wymaga Kubernetesa lub Dockera, Postgresa z pgvector, endpointów modeli i najlepiej Vault. Dla dużych organizacji z zespołami danych to rozsądne narzędzie do pilotażu. Mniejsze firmy szybciej skorzystają z gotowych integracji u dostawców hurtowni, którzy budują na tym pakiecie, niż z samodzielnego wdrożenia. Realnej oceny warto się spodziewać dopiero, gdy pojawią się wyniki z repozytorium ewaluacyjnego albo pierwsze niezależne testy.