databrickslabs/ontobricks

解決する課題

企業は Databricks テーブルに膨大なデータを持っていますが、そのデータの背後にある意味（「顧客が契約を保持する」などの関係やビジネスルール）は通常、人々の頭の中に閉じ込められています。OntoBricks はそれらのテーブルを意味を捉える知識グラフに変換し、探索、推論、AI エージェントへの公開を可能にします。別のグラフデータベース、RDF の専門知識、長い統合プロジェクトの必要性を排除します。

仕組み

OntoBricks は Databricks アプリとして実行され、既存のサービスを使用します：メタデータ用の Unity Catalog、実行用の SQL Warehouse、LLM 呼び出し用の AI Gateway または Model Serving。4 つの主要なステップを実行します：1) Unity Catalog からメタデータをインポート、2) オントロジーを生成—LLM がメタデータからエンティティ、関係、属性を提案、3) 自動マッピング—LLM が各エンティティと関係の SQL マッピングを作成、4) 同期—マッピングを実行してトリプルストアを埋めます。内部では OWL、R2RML、SPARQL などの標準を使用しますが、それらを知る必要はありません。ビジュアルキャンバスを使用してオントロジーを手動で設計することもでき、厳密なオプトアウトのための「LLM なし」モードもあります。グラフは Lakebase (Postgres)、Lakehouse (Delta テーブル)、Neo4j、またはバックエンドなしで構築できます。各ドメインには DRAFT/IN-REVIEW/PUBLISHED のライフサイクルがあり、ロックと監査証跡があります。モデルコンテキストプロトコル (MCP) を介してオントロジーを LLM エージェントに公開し、GraphQL または SPARQL でグラフをクエリできます。

対象者

Databricks を使用するデータエンジニア、データアーキテクト、分析チームで、データにセマンティックな意味をもたらしたい方。また、ガバナンスされた説明可能なビジネスロジックを AI エージェントや LLM アプリケーションに公開したい方にも適しています。AI が重い作業のほとんどを処理するため、深いオントロジーや RDF のスキルは必要ありませんが、完全な制御を希望する場合は手動で行うこともできます。

ハイライト

• LLM 自動化により、4 回のクリックで Databricks テーブルを知識グラフに変換。
• オープン標準 (OWL, R2RML, SHACL, SPARQL) を使用しますが、複雑さを隠します。
• 複数のグラフバックエンド：Lakebase (デフォルト)、Lakehouse、Neo4j、またはバックエンドなしのオントロジーのみ。
• MCP を介して任意のドメインを AI エージェントに公開 (例：Cursor、Claude Desktop)。
• ガバナンス機能：バージョニング、ライフサイクルステータス、単一エディターロック、追記専用監査証跡。
• オントロジーの落とし穴検出、SHACL データ品質チェック、SWRL ビジネスルール、コホート発見を含む。
• Databricks ワークスペース内で完全に実行—データとトリプルは外部に出ません。