Una capa semántica para consultas en lenguaje natural
NVIDIA anunció Auto Ontology, un marco de capa semántica de código abierto que permite a los agentes de inteligencia artificial escribir SQL contra definiciones empresariales certificadas. La herramienta construye una capa de contexto a partir de metadatos empresariales y organiza el significado de negocio que los agentes deben usar antes de generar una consulta.
El objetivo es evitar que un agente interprete libremente nombres de tablas, columnas o métricas. En su lugar, trabaja sobre una ontología que define entidades, relaciones y métricas con un significado compartido y validable.
Cinco funciones para construir, validar y aprender
Auto Ontology organiza su flujo de trabajo en cinco funciones:
Discover genera ontologías a partir de metadatos y conecta modelos semánticos existentes.
Ground aporta un significado confiable para métricas, entidades y relaciones.
Validate comprueba las consultas generadas contra definiciones certificadas y linaje.
Expose sirve el contexto mediante MCP, CLI y API.
Learn incorpora de nuevo a la ontología las correcciones certificadas.
El resultado es una ontología inicial que los expertos de negocio todavía deben probar, refinar y certificar. La herramienta no sustituye esa revisión humana: la organiza y la convierte en parte del ciclo de mejora de la capa semántica.
Una arquitectura abierta y compatible con distintos modelos
Auto Ontology está disponible como biblioteca abierta bajo licencia Apache 2.0. Su arquitectura incluye un frontend en Next.js 16 en el puerto 3000, un backend FastAPI con LangChain en el puerto 3001, un worker de ingesta en el puerto 3002 y Postgres con pgvector.
Las bases de datos fuente compatibles son Databricks, Postgres, Snowflake y DuckDB. Los modelos se configuran mediante tripletas de entorno (endpoint, clave, modelo) para los roles de razonamiento, no razonamiento, embeddings y reranking, y funciona cualquier endpoint compatible con OpenAI.
Los modelos por defecto son nvidia/nemotron-3-nano-30b-a3b como modelo de lenguaje, nvidia/nemotron-3-embed-1b para embeddings y nvidia/llama-nemotron-rerank-vl-1b-v2 para reranking, mediante NVIDIA NIM, ya sea alojado o autoalojado.
MCP, API y control de acceso
El servidor MCP de Auto Ontology ofrece 9 herramientas de solo lectura. La herramienta ask_question devuelve respuesta, SQL y filas como campos separados, y los resultados tienen un límite de 100 filas.
La herramienta check_readiness confirma una capa semántica compilada y una conexión activa con la base de datos. Deliberadamente no hay herramienta para explorar esquemas sin procesar, lo que refuerza el uso de la capa semántica certificada en lugar del acceso directo al esquema.
La especificación OpenAPI publica 87 operaciones. El inicio de sesión se realiza mediante OAuth con los permisos del usuario que inició sesión.
Despliegue local y en Kubernetes
La configuración local se realiza con docker compose up -d --build después de completar el archivo .env. Para Kubernetes, el proyecto ofrece un chart de Helm y la guía DEPLOYMENT.md. El backend también se publica como contenedor NGC.
Una clave de API de NVIDIA de build.nvidia.com cubre los modelos por defecto.
Evaluación sin resultados publicados todavía
Auto Ontology cuenta con un repositorio separado de evaluación, auto-ontology-eval, que ejecuta 2 brazos en NeMo Gym: un control de LLM solo con esquema frente a un agente fundamentado en ontología. La evaluación usa coincidencia determinista de ejecución y no utiliza un juez LLM.
Los conjuntos de datos incluidos son BIRD Dev (1.534 preguntas, 11 bases de datos), Mini-Dev (500 preguntas), FDABench-Lite (169 preguntas) y una muestra por defecto de 100 preguntas de BEAVER.
El repositorio de evaluación distribuye un harness, no resultados. Todavía no existen puntuaciones publicadas de precisión text-to-SQL.
La reducción del 90% en el tiempo de creación de ontologías corresponde a evaluaciones realizadas por la propia compañía en sus pruebas, no a una cifra de evaluación independiente.
Contexto: de la ambigüedad en SQL al significado certificado
El problema que aborda Auto Ontology es la brecha entre el lenguaje natural y las bases de datos empresariales. Sin una capa semántica, un agente puede generar SQL sintácticamente válido pero semánticamente incorrecto, porque desconoce la definición de negocio de una métrica o la relación correcta entre entidades.
Auto Ontology propone resolverlo con una ontología inicial generada desde metadatos, validada contra definiciones certificadas y mejorada con correcciones certificadas. El ciclo Discover, Ground, Validate, Expose y Learn convierte esa capa en un artefacto vivo, que se mantiene a medida que cambian los datos y las definiciones.
