NVIDIA publie Auto Ontology: une couche sémantique ouverte qui ancre le SQL généré par les agents IA
NVIDIA a publié Auto Ontology, une bibliothèque ouverte sous licence Apache 2.0 qui construit une couche sémantique à partir des métadonnées d'entreprise. Les agents d'IA s'en servent pour écrire du SQL fondé sur des définitions métier certifiées. Le dépôt résume l'enjeu sans détour: une réponse rapide sur le chiffre d'affaires ne vaut rien si le nombre est faux. L'outil génère une ontologie de départ à partir des métadonnées, la relie aux modèles sémantiques existants, vérifie les requêtes produites par rapport aux définitions et à la lignée des données, puis réinjecte les corrections certifiées. Des experts métier testent, affinent et certifient ensuite le résultat. L'architecture repose sur quatre services: une interface Next.js 16 sur le port 3000, un backend FastAPI avec LangChain pour le chat, la conversion du langage naturel en SQL et les API de catalogue (port 3001), un worker d'ingestion pour les embeddings (port 3002), et Postgres avec pgvector. Les sources peuvent être Databricks, Postgres, Snowflake ou DuckDB. Le modèle par défaut est nvidia/nemotron-3-nano-30b-a3b, accompagné de modèles Nemotron d'embedding et de reranking, et tout point d'accès compatible OpenAI fonctionne. Le déploiement se fait via Docker Compose ou Kubernetes avec Helm.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
L'intérêt tient à l'interface par laquelle les agents accèdent aux données. Le serveur MCP expose neuf outils en lecture seule, dont askquestion, qui renvoie séparément la réponse, le SQL et les lignes (plafonnées à 100), et checkreadiness, qui vérifie la présence d'une couche sémantique compilée et d'une connexion active. Aucun outil ne permet de parcourir les schémas bruts, un choix délibéré pour forcer le passage par la couche sémantique. La spécification OpenAPI compte 87 opérations, l'authentification passe par OAuth et chaque appel hérite des droits de l'utilisateur connecté. Pour les entreprises, cela limite le risque de chiffres erronés produits par des agents qui devinent le sens des colonnes. Les preuves publiques restent toutefois minces: NVIDIA revendique une réduction de 90 % du temps de création d'une ontologie, mais ce chiffre est auto-déclaré, et aucun score de précision en text-to-SQL n'a été publié. Il faut donc mener ses propres évaluations avant de s'y fier.
Le projet s'inscrit dans la course aux couches sémantiques pour agents, où figurent Wren AI, Cube Core et dbt MetricFlow, tous sous licence Apache 2.0 ou équivalente. Contrairement à ces outils, où la couche est le plus souvent définie dans du code ou des fichiers versionnés, Auto Ontology la génère d'abord à partir des métadonnées avant certification. NVIDIA fournit un banc d'essai séparé, auto-ontology-eval, qui compare dans NeMo Gym un agent limité au schéma et un agent adossé à l'ontologie, avec une évaluation déterministe par correspondance d'exécution, sans juge LLM. Il couvre BIRD Dev (1 534 questions, 11 bases), Mini-Dev (500 questions), FDABench-Lite (169 questions) et un échantillon de 100 questions de BEAVER. Deux limites sont signalées: les exemples few-shot et les ancres de valeurs ne profitent qu'au bras ontologique, ce qui fausse l'attribution du gain au seul ancrage, et la configuration testée passe par un modèle Claude sur la passerelle d'inférence de NVIDIA. Le dépôt livre donc un outil de mesure, pas des résultats.
Pas d\'impact direct sur la France/UE