NVIDIA Auto Ontology: エンタープライズAIエージェント向けのオープンソース・セマンティックレイヤー
NVIDIAは、エンタープライズデータ上にセマンティックなグラフベースの推論レイヤーを構築するためのオープンソースフレームワーク「Auto Ontology」を公開しました。このプロジェクトの意図は、非常に率直に表現されています。
誤った数値に対して、収益指標をより速く回答できたとしても、それは無価値である。
この一文は、なぜNVIDIAが単なるチャットインターフェースではなく、セマンティックレイヤーを提供しているのかを説明しています。Auto OntologyはApache-2.0ライセンスのPythonフレームワークであり、エンタープライズデータ上にグラフベースのオントロジーとセマンティックカタログを構築し、MCP、CLI、APIを通じてLLMやエージェントのワークフローにそのコンテキストを提供します。
NVIDIA Auto Ontologyとは何か
Auto Ontologyは、基盤モデルではなく、エンタープライズ分析エージェントのためのコンテキストおよびガバナンスレイヤーです。リレーショナルソースからメタデータを収集し、システム間でビジネス定義を調整し、エージェントに対して指標、エンティティ、関係性に関する信頼できる意味付けを提供します。READMEには5つの役割が記載されています:メタデータからのオントロジーの発見、ビジネス上の意味に基づいたエージェントの基盤構築、認定された定義とリネージに対する生成クエリの検証、MCP/CLI/APIを通じたコンテキストの公開、そして認定された修正からの学習です。これは、顧客がすでに所有しているセマンティックモデルを補完するように設計されています。
このシステムは、カタログとオントロジーをPostgresとpgvectorに保存します。NVIDIA NIMを活用し、質問をSQLに変換して接続されたデータベースに対して実行することで、構造化データに対する自然言語クエリをサポートしています。READMEで言及されているソースコネクタは、Databricks、Postgres、Snowflake、DuckDBです。
クエリパスの仕組み
実用的なフローは以下の通りです:ソースデータベースをイントロスペクト(内部調査)し、モデルとメタデータを中央カタログに保存し、自然言語の質問を方言固有のSQLに変換し、クエリを正しいデータベースにルーティングし、質問が複数のソースにまたがる場合に結果を結合します。Hacker Newsのコメント投稿者が、READMEにはない平易な説明を提供しています。
企業内のデータは複数の種類のデータベースに散らばっている... すべてのデータベースモデルがイントロスペクトされ、中央メタデータカタログに保存されている。「5月の売上トップ商品は?」といった質問がなされると、メタデータカタログが「製品はFOO_DBに、製品売上はBAR_DBに保存されている」と教えてくれる...
そのコメント投稿者は、Auto Ontologyという名前は不適切であり、READMEの記述も非常にひどいと指摘しました。しかし、この説明は製品とマーケティングを切り離すという点で依然として有用です。核となる成果物は、メタデータカタログと、クエリルーティングおよび検証ロジックです。
検証は信頼性に関する主張です。Auto Ontologyは、生成されたクエリを認定された定義やリネージと照合し、すべての回答に由来(プロベナンス)を付与すると述べています。これは企業が最初にテストすべき部分です。指標が正しい理由を示せないセマンティックレイヤーは、未検証の数値をより速く生成する手段に過ぎません。
コンポーネント、モデル、デプロイメント
Auto Ontologyはマルチサービスアプリケーションとして提供されます。READMEには以下のコンポーネントが記載されています。
| コンポーネント | テクノロジー | 役割 | デフォルトポート |
|---|---|---|---|
| Frontend | Next.js 16, React 19, TypeScript, Tailwind CSS 4, Better Auth, Prisma | Web UI, 認証, APIゲートウェイ | 3000 |
| Backend | FastAPI, Python 3.12+, LangChain | チャットおよびNL-to-SQL, カタログ, データソースAPI | 3001 |
| Ingestion worker | FastAPI, Python 3.12+ | 表形式データの取り込みと埋め込みの書き込み | 3002 |
| Postgres + pgvector | リレーショナルデータベース | アプリメタデータ, カタログとオントロジー, ベクトルストア | 5432 |
| HashiCorp Vault | オプション | 接続資格情報の安全な保存 | なし |
推論にはNVIDIA NIMエンドポイントを使用します(ホストされたNVIDIA APIカタログまたはセルフホストされたNIM)。.env.exampleのデフォルト値は、LLMに nvidia/nemotron-3-nano-30b-a3b、埋め込みに nvidia/nemotron-3-embed-1b、リランキングに nvidia/llama-nemotron-rerank-vl-1b-v2 が設定されています。モデルの役割は、エンドポイント、APIキー、モデル名のトリプレットとして設定されます:DEFAULT_MODELS, REASONING, NON_REASONING, EMBED, RERANK。設定されていないフィールドは、対応する DEFAULT_MODELS フィールドにフォールバックします。
デプロイメントは、Kubernetes用のHelmチャートまたはローカルスタック用のDocker Composeのいずれかです。ローカルスタックにはDocker Compose v2、NVIDIA APIキー、およびソースデータベースへの接続詳細が必要です。AUTH_SECRET と APP_URL は必須であり、これらがない場合、UIはBetter Authのデフォルトシークレットエラーで失敗します。
セキュリティとアクセスの詳細
接続資格情報は運用上の重要な懸念事項です。UIを通じて追加された接続は、Vaultが設定されていない限り、資格情報をPostgresにプレーンテキストで保存します。Vaultを有効にすると、資格情報はVaultに書き込まれ、カタログ行には資格情報は保存されません。Vaultはデフォルトでオフになっており、VAULT_ADDR, VAULT_NAMESPACE, VAULT_ROLE_ID, VAULT_SECRET_ID が必要です。設定が不完全な場合は警告とともに無視され、プレーンテキストにフォールバックします。
APIトークンはSHA-256でハッシュ化され、一度だけ表示されます。トークンは所有者として機能し、独立した権限は持ちません。取り消しは即時行われます。トークンは他のトークンを作成したり取り消したりすることはできません。FastAPIポートは信頼された内部サービス境界として記述されており、内部ユーザーヘッダーを独自に検証しないため、公開してはなりません。
ライセンスと貢献モデル
Auto OntologyはApache License 2.0の下でライセンスされています。サードパーティコンポーネントは THIRD_PARTY_NOTICES.md に記載されており、コンテナイメージのコンポーネントは個別にリストされています。このプロジェクトは外部からの貢献を明示的に受け入れていません。メンテナチーム外からのIssue、プルリクエスト、パッチはレビューやマージの対象外となります。セキュリティレポートは SECURITY.md に従います。
この組み合わせは重要です。コードは寛容なライセンスの下でオープンソース化されていますが、開発モデルはクローズドです。チームはソフトウェアを検査、実行、変更できますが、自分たちのユースケースに対するアップストリームの修正は期待すべきではありません。
Hacker Newsのコメント投稿者が価値を見出した点
最も強い肯定的な反応は、モデルの能力ではなく、エンタープライズデータの苦痛に関するものでした。あるコメント投稿者は次のように書いています。
我々はオントロジーを正しく構築するために多額の費用を費やしている。なぜなら、それがエンタープライズAIの現実世界での成功に不可欠だからだ。これが実際に我々の助けになるのか興味がある。
別の投稿者は、これを有望であるとし、企業がエージェントAIを信頼するために必要な最後のピースだと述べました。投稿者は、これをエンタープライズの技術的負債に対するゲームチェンジャーとして位置づけました。これらのコメントは、現実の問題を反映しています。大企業では指標、エンティティ、定義がウェアハウス、データベース、セマンティックモデルに分散しており、エージェントが誤った定義を選択すると失敗するのです。
主な批判
最も一貫した批判はREADMEに対するものでした。コメント投稿者は、それがエンタープライズのプロジェクトマネージャー向けに書かれており、AI用語が満載で、データやオントロジーの経験がある人にとっても理解しにくいと指摘しました。あるコメント投稿者は次のように書いています。
私はキャリアを通じてデータとオントロジーを扱ってきたが、このREADMEは理解できなかった。図も混乱を招くだけだ。
別の投稿者は次のように述べました。
READMEのAI用語で読むのをやめた... 冗長であると同時に、重要な情報が完全に欠けている。
これは単なる見た目の問題ではありません。開発者ツールにとって、READMEは製品の表面です。経験豊富なデータエンジニアが、どのような問題が解決され、何が必要で、システムがセマンティックレイヤーやメタデータカタログとどう違うのかを判断できなければ、普及は進みません。
2つ目の批判は、NVIDIAインフラへの依存です。あるコメント投稿者は次のように書きました。
興味があったが... NVIDIAのAPIキーが必要だと気づいた。
READMEでは *_ENDPOINT や *_MODEL を通じて他のOpenAI互換エンドポイントも許可されていますが、デフォルトのパスはNVIDIA NIMであり、クイックスタートにはNVIDIA APIキーが必要です。これは、ローカルまたはベンダーニュートラルなスタックを求めるチームにとっては、現実的な評価コストとなります。
3つ目の批判はアーキテクチャに関するものです。あるコメント投稿者は、このプロジェクトは信頼できないエージェントを、さらに信頼できないエージェントを追加することで修正していると主張しました。
信頼できないエージェントを、さらに信頼できないエージェントを追加して修正している。LLMが分析対象のデータよりも自身の重みを重視する傾向をどうにかできないのは残念だ。
より深い指摘は、LLMには学習された世界知識、指示、分析対象のデータの間に明確な分離がないという点です。セマンティックレイヤーはクエリパスを制約できますが、モデルが自動的にその制約に従うわけではありません。検証機能と由来機能はこの批判に対する正しい回答ですが、独立した証拠が必要です。
4つ目の批判は、Auto Ontologyとセマンティックウェブスタックの比較です。あるコメント投稿者は、なぜOWL/RDFやSPARQLより優れているのかと問い、LLMは確立されたオントロジーを発見し、SPARQLでクエリすることに長けていると指摘しました。READMEはAuto OntologyをOWL/RDFの代替として位置づけていません。リレーショナルソース上の実用的なカタログおよびクエリレイヤーであり、MCPとAPIの公開を伴うものとして説明しています。比較は依然として公平です。既存のRDF/OWL投資があるチームは、Auto Ontologyがそれらの標準をインポート、マッピング、または無視するのかを知りたがるでしょう。
5つ目の批判は「オープンソース」という言葉についてです。あるコメント投稿者は次のように答えました。
オープンソース? NVIDIAのユーザー空間ライブラリである libcuda, libcudart, libOpenCL, libnvtx、そして nvidia-smi や CUDA および OpenCL プロファイラーをオープンソース化することから始めてはどうだ。
これはNVIDIAのスタック全体に対するより広範な不満であり、Auto Ontologyの特定の欠陥ではありません。それでも、なぜ一部の読者がオープンソースという枠組みに対して懐疑的だったのかを説明しています。
コメント投稿者はこのプロジェクトをPalantirと比較し、これが「雰囲気重視のPalantir」なのか、それともPalantirのオントロジービジネスへの回答なのかを問いかけました。両者ともエンタープライズデータ上のセマンティックレイヤーを売り込んでいるため、この比較は理解できます。Auto OntologyのREADMEはそのような比較を行っておらず、プロジェクトの範囲ははるかに狭いです。これはWeb UI、MCPサーバー、テキスト・トゥ・SQLパスを備えたPythonフレームワークであり、完全なエンタープライズデータプラットフォームではありません。
ベンチマークの疑問
READMEは、BIRDのようなテキスト・トゥ・SQLベンチマークを実行するための別のオントロジーSQL評価リポジトリを読者に案内していますが、メインリポジトリでベンチマーク結果を公開していません。あるコメント投稿者は、UC BerkeleyのDataAgentBenchを挙げ、NVIDIAのアプローチがどのように評価されるかを見たいと述べました。それが正しいテストです。企業は、自然言語クエリのデモだけでなく、マルチソースの質問に対する精度、由来の正確さ、定義の調整、失敗時の挙動を求めるべきです。
未解決の技術的疑問
あるコメント投稿者は、このアプローチの核心を突く質問をしました。
データを適合させるために必要なだけシンボリックなルールをLLMに書かせつつ、ルールセットをレビュー可能かつ保守可能な状態に保つことはできないのか?
Auto Ontologyはその質問に対する一つの回答です。LLMを使用してオントロジーを生成・維持しつつ、オントロジーをレビュー可能なストアに保持し、それに対してクエリを検証するというものです。未解決の疑問は、生成されたオントロジーが人間が監査できるほど小さく理解しやすい状態を保てるのか、それともエージェントが理解せずに信頼する別の不透明なレイヤーになってしまうのかという点です。認定された修正をオントロジーに折り返すREADMEの学習ループは、その問題のために設計されています。それが実際に機能するかどうかは、ソース資料からは確立されていません。
Auto Ontologyを評価する方法
Auto Ontologyを、一般的な推論エンジンとしてではなく、ガバナンスの効いたテキスト・トゥ・SQLおよびコンテキストレイヤーとして評価してください。最初のテストは、実際のデータベース間で競合する指標定義を調整できるかどうかです。2つ目は、アナリストが回答を監査するのに十分な由来情報が揃っているかどうかです。3つ目は、セキュリティモデルが環境に適合しているか、特にVaultによる資格情報管理と内部FastAPI境界が適切かです。4つ目は、NVIDIA NIMへの依存が許容できるか、あるいはセルフホスト型やサードパーティのOpenAI互換エンドポイントにルーティングできるかです。5つ目は、プロジェクト独自の評価パスやDataAgentBenchのような外部ベンチマークを使用した、マルチソースの質問に対するベンチマークパフォーマンスです。
Auto Ontologyは、現実のエンタープライズ課題に対する真剣な試みです。エージェントが分析を任される前に、データ資産の信頼できる地図を必要としています。Hacker Newsの反応は、その問題が広く認識されていること、そして現在のREADMEが解決策をうまく伝えられていないことを示しています。コードはドキュメントが示唆するよりも有用かもしれませんが、主張を検証する責任は評価者にあります。
Sources
関連
- Dispatch
- プロジェクト
- Dispatch
- Dispatch
- Dispatch