NVIDIA đã phát hành Auto Ontology, một thư viện mở theo giấy phép Apache 2.0. NVIDIA Auto Ontology là một khung lớp ngữ nghĩa xây dựng lớp ngữ cảnh từ siêu dữ liệu doanh nghiệp. Đại lý sử dụng lớp đó để viết SQL dựa trên các định nghĩa kinh doanh được chứng nhận. Kho lưu trữ nêu rõ vấn đề: câu trả lời nhanh về doanh thu sẽ vô giá trị nếu con số sai. TL;DR

Thư viện: LLM mặc định là nvidia/nemotron-3-nano-30b-a3b, với các mô hình nhúng và sắp xếp lại Nemotron. Chạy trên: Docker Compose cho ngăn xếp cục bộ hoặc Kubernetes thông qua Helm. Suy luận sử dụng điểm cuối NVIDIA NIM được lưu trữ hoặc NIM tự lưu trữ. Hiệu suất: Kỹ thuật mạnh mẽ, bằng chứng công khai ít. Tốt nhất: Thời gian tạo ontology giảm 90% trong thử nghiệm của NVIDIA (tự báo cáo). Tệ nhất: 0 điểm chính xác được công bố khi chuyển văn bản sang SQL. Repo eval cung cấp khai thác chứ không phải kết quả. Điểm mấu chốt: Lớp ngữ cảnh mở, sẵn sàng cho MCP mà bất kỳ hoạt động khai thác tác nhân nào cũng có thể truy vấn. Nhưng bạn phải tự mình chạy các điểm chuẩn để tin tưởng vào nó.

Bản thể tự động NVIDIA là gì? Nó là một lớp ngữ cảnh nằm giữa một tác nhân và kho dữ liệu. Nó cho tác nhân biết nơi dữ liệu tồn tại và ý nghĩa của các trường. Nó cũng cho biết có nên sử dụng một trường hay không, sử dụng nó như thế nào và nó đến từ đâu. Dưới đây là năm công việc:

Khám phá: tạo các bản thể luận từ siêu dữ liệu và kết nối các mô hình ngữ nghĩa hiện có. Nền tảng: cung cấp cho các tác nhân ý nghĩa đáng tin cậy đối với các số liệu, thực thể và mối quan hệ. Xác thực: kiểm tra các truy vấn được tạo dựa trên các định nghĩa và dòng đã được chứng nhận. Hiển thị: phục vụ ngữ cảnh thông qua MCP, CLI và API. Tìm hiểu: đưa các chỉnh sửa đã được chứng nhận trở lại bản thể luận.

Trang dành cho nhà phát triển của NVIDIA đóng khung đầu ra dưới dạng bản thể luận khởi đầu. Các chuyên gia kinh doanh vẫn kiểm tra, sàng lọc và chứng nhận nó. Auto Ontology hoạt động như thế nào? Ngăn xếp có 4 dịch vụ cốt lõi. Giao diện người dùng Next.js 16 xử lý giao diện người dùng web và xác thực trên cổng 3000. Phần phụ trợ FastAPI với LangChain chạy các API trò chuyện, NL-to-SQL và danh mục trên cổng 3001. Một nhân viên nhập liệu viết các phần nhúng trên cổng 3002. Postgres với pgvector lưu trữ danh mục, bản thể luận và vectơ. Cơ sở dữ liệu nguồn có thể là Databricks, Postgres, Snowflake hoặc DuckDB. Các mô hình được thiết lập thông qua môi trường “bộ ba” điểm cuối, khóa và mô hình. Có các vai trò riêng biệt dành cho lý luận, không lý luận, nhúng và sắp xếp lại. Mọi điểm cuối tương thích với OpenAI đều hoạt động.

&&

Máy chủ MCP hiển thị những gì? Tài liệu máy chủ MCP mô tả 9 công cụ chỉ đọc. Ask_question trả về câu trả lời, SQL và các hàng dưới dạng các trường riêng biệt. Giới hạn kết quả ở 100 hàng. check_readiness xác nhận tồn tại một lớp ngữ nghĩa đã biên dịch và kết nối cơ sở dữ liệu trực tiếp. Không có công cụ để duyệt các lược đồ thô. NVIDIA đã cố tình chọn điều đó để các tác nhân tiếp cận dữ liệu thông qua lớp ngữ nghĩa. Thông số OpenAPI cơ bản xuất bản 87 hoạt động. Quá trình đăng nhập diễn ra thông qua OAuth và mọi cuộc gọi đều có quyền của người dùng đã đăng nhập. Nó được điểm chuẩn như thế nào? NVIDIA cung cấp một khai thác riêng, tự động đánh giá bản thể luận. Nó chạy 2 nhánh trong NeMo Gym: điều khiển LLM chỉ dựa trên lược đồ và tác nhân dựa trên bản thể học. Tính điểm là trận đấu thực hiện mang tính quyết định, không có trọng tài LLM. Bộ dữ liệu đi kèm bao gồm BIRD Dev (1.534 câu hỏi, 11 cơ sở dữ liệu) và Mini-Dev (500 câu hỏi). FDABench-Lite bổ sung thêm 169 câu hỏi và BEAVER mặc định có mẫu 100 câu hỏi. Repo khai thác thêm 2 hạn chế. Các mẫu vài lần chụp tùy chọn và các điểm neo giá trị chỉ được đưa vào nhánh bản thể luận. Một đồng bằng được đo bằng chúng bao gồm các đầu vào đó chứ không chỉ nối đất. Cấu hình được thử nghiệm của nó cũng định tuyến cả hai nhánh thông qua mô hình Claude trên cổng suy luận của NVIDIA. Làm thế nào để so sánh nó với các lớp ngữ nghĩa khác? Tính năngNVIDIA Auto OntologyWren AICube Coredbt MetricFlowGiấy phép Apache 2.0Lõi Apache 2.0 (lõi mở)Phụ trợ Apache 2.0, ứng dụng khách MITApache 2.0 (v0.209.0+)Cách xây dựng lớpĐược tạo từ siêu dữ liệu, sau đó được chứng nhận Tệp ngữ cảnh được hỗ trợ bởi tác nhân trong GitĐược xác định trong mãĐược xác định trong mã trong dự án dbtGiao diện tác nhânMCP, CLI, REST APIMCP, CLI, SDKSQL, REST, API GraphQLThư viện Python và nguồn CLIDataDatabricks, Postgres, Snowflake, DuckDB22+Tất cả các nguồn dữ liệu SQLThông qua bộ điều hợp dbtMô hình mặc địnhNemotron qua NVIDIA NIMKhông được tiết lộKhông áp dụngKhông áp dụng Triển khai và sẵn có Thiết lập cục bộ là docker soạn thảo -d --build sau khi điền .env. Người dùng Kubernetes nhận được biểu đồ Helm và hướng dẫn DEPLOYMENT.md. Nhóm NVIDIA cũng xuất bản phần phụ trợ dưới dạng vùng chứa NGC. Khóa API NVIDIA từ build.nvidia.com bao gồm các mô hình mặc định. Bài học chính

Auto Ontology tạo lớp ngữ nghĩa bắt đầu từ siêu dữ liệu doanh nghiệp. Đại lý truy vấn nó thông qua 9 công cụ MCP chỉ đọc, cùng với CLI và API. NVIDIA báo cáo việc tạo bản thể luận nhanh hơn 90% trong thử nghiệm của riêng mình. Chưa có điểm chính xác nào về độ chính xác của việc chuyển văn bản sang SQL được công bố. Mặc định là Nemotron trên NIM, nhưng chấp nhận mọi điểm cuối tương thích với OpenAI.

Hãy xem kho lưu trữ GitHub, khai thác eval và tài liệu MCP. Ngoài ra, vui lòng theo dõi chúng tôi trên Twitter và đừng quên tham gia SubReddit 150k+ML của chúng tôi và Đăng ký Bản tin của chúng tôi. Chờ đợi! bạn có đang dùng điện tín không? bây giờ bạn cũng có thể tham gia cùng chúng tôi trên telegram. Bạn cần hợp tác với chúng tôi để quảng bá GitHub Repo HOẶC Trang ôm mặt HOẶC Phát hành sản phẩm HOẶC Hội thảo trên web, v.v.? Kết nối với chúng tôi Bài đăng NVIDIA phát hành Auto Ontology: Lớp ngữ nghĩa mở tạo nền tảng cho AI Agent SQL xuất hiện đầu tiên trên MarkTechPost.