NVIDIA veröffentlicht Auto Ontology: eine Wissensschicht, die Agenten vor falschen Zahlen bewahrt
Nvidia – open-source auto-ontology
NVIDIA hat Auto Ontology als Open-Source-Bibliothek unter Apache 2.0 veröffentlicht. Das Python-Framework baut aus Unternehmensmetadaten eine semantische Ontologie über relationalen Datenbanken auf, gleicht Definitionen zwischen Systemen ab und liefert Agenten über MCP, CLI und API verlässlichen Kontext. So werden Natural-Language-Abfragen in geprüftes SQL übersetzt, jede Antwort kommt mit Herkunftsnachweis. Enthalten sind Web-UI, RBAC, Postgres mit pgvector und Helm- oder Docker-Deployment; Beiträge von außen nimmt das Projekt derzeit nicht an.
Ein schneller beantworteter Umsatzwert ist wertlos, wenn die Zahl falsch ist.
- dstu
Das mag ja durchaus sehr nützlich sein, aber Claude hat mich ruiniert, und ich habe eine instinktive Abneigung gegen ‚Gates‘ im ersten Satz und konnte nicht weiterlesen. Wenn ein Tool es wert ist, gebaut und geteilt zu werden, ist es dann nicht auch wert, eine kurze Zusammenfassung dessen zu schreiben, was es erreichen soll – in eigenen Worten?
- gavinray
Ich möchte versuchen, eine Erklärung zu liefern, da es scheint, dass viele hier das furchtbar schlecht geschriebene README nicht verstanden haben.
"Auto Ontology" ist ein ziemlich schlechter Name.
Hier ist das Problem:
Ihr Unternehmen hat Daten über verschiedene Datenbanktypen verstreut. Entscheidungsträger wollen Fragen zu diesen Daten stellen.
Der alte Weg war, dass sie zu einem Datenanalysten gingen und sagten: „Besorg mir einen Bericht über dies und das“, und es war die Aufgabe des Analysten, die richtige Reihe von Abfragen und Einmal-Skripten zu erstellen, um die benötigten Informationen zu generieren.
Bei einem System wie diesem ist die Idee, dass alle Ihre Datenbankmodelle introspektiert und in einem zentralen Metadatenkatalog gespeichert wurden.
Wenn eine Frage gestellt wird wie „Was waren die meistverkauften Artikel im Monat Mai?“, sagt Ihnen der Metadatenkatalog: „Produkte sind in FOO_DB gespeichert“ und „Product_Sales sind in BAR DB gespeichert“, und dann holen Sie die richtigen Daten von der richtigen Stelle und führen die nötigen In-Memory-Berechnungen durch.
Was das System bietet, ist der Implementierungscode für:
- Introspektion jeder Ihrer DBs
- Aggregation von Modell- und Metadateninformationen in einer zentralen virtuellen DB (VDB)
- Generierung dialektspezifischen SQLs aus natürlichsprachlichen Abfragen und Weiterleitung an die richtige DB für die zugrundeliegende Tabelle
- Kombination von Ergebnissen im Speicher, wenn eine natürlichsprachliche Abfrage mehrere Datenquellen erfordert
- Handhabung korrekter Berechtigungen usw.
Ein GUTES System dafür integriert auch Ihre externen API-Quellen (OpenAPI, GraphQL, gRPC, was auch immer) und auch Dokumentationsquellen […]
- smithclay
Überrascht, dass https://github.com/ucbepic/DataAgentBench hier noch nicht erwähnt wurde: Das Benchmarking von Datenagenten, die aus mehreren Quellen abfragen müssen, ist ein Schwerpunkt einiger Forschung an der UC Berkeley – die Rangliste ist einen Blick wert, um zu sehen, wie die verschiedenen geschlossenen und Open-Source-Implementierungen Ontologien aufbauen … würde gerne sehen, wie Nvidias Ansatz abschneidet.
- grey-area
Unzuverlässige Agenten reparieren, indem man mehr unzuverlässige Agenten hinzufügt. Es ist schade, dass wir nichts gegen die Tendenz von LLMs tun können, ihren Gewichten mehr Gewicht zu geben als den Daten, die sie analysieren.
Ich schätze, es läuft alles darauf hinaus, dass sie keine klare Trennung zwischen Daten, die sie über die Welt gelernt haben, Anweisungen und den zu analysierenden Daten haben.
Man kann sie bitten, nur die 5 Fakten vor ihnen zu berücksichtigen, aber sie werden es nicht tun, und können es nicht tun.
- fnordpiglet
Ich habe Mühe zu erkennen, warum das besser sein soll als OWL/RDF und SparQL. Angesichts der Breite und Tiefe des Semantic-Web-Wissens im Korpus leisten sie Erstaunliches dabei, etablierte Ontologien zu entdecken und neue auf präsentierten Daten aufzubauen und sie mit Sparql abzufragen. Tatsächlich besser als fast alles, was ich gesehen habe. Welch eine Ironie, dass das Semantic Web nach all den Jahren wahrscheinlich eine echte Verwendung findet – und zwar seine ursprüngliche.
- mirekrusin
Ich bevorzuge immer noch meine eigene, einfache und funktionalere CAVE-Sprache [0]
- HexDecOctBin
Ich habe eine Frage an Leute, die sich sowohl mit LLMs als auch mit GOFAI auskennen: Warum können wir LLMs nicht dazu verwenden, so viele symbolische Regeln zu schreiben, wie nötig sind, um die Daten abzubilden, während der Regelsatz überprüfbar und wartbar bleibt?
- barrrrald
Ich habe eine Karriere lang mit Daten und Ontologien gearbeitet und konnte dieses README nicht verstehen, und das Diagramm macht es nur noch verwirrender.