Was ist NVIDIA Auto Ontology?
Auto Ontology legt eine Schicht geschäftlicher Bedeutung über relationale Datenbanken, damit ein Agent, der nach „Umsatz“ fragt, jedes Mal dieselben Spalten, Joins und dieselbe Formel verwendet. Es liest Schemas, profiliert Spalten und zieht Stichproben von Werten, dann entwirft es drei Arten von Definitionen: Begriffe (etwa Customer oder Invoice Line), die Spalten zugeordnet werden, geprüfte SQL-Attribute wie eine Marge und Beziehungen zwischen Tabellen, gespeichert in Postgres mit Embeddings in pgvector. Menschen überarbeiten und zertifizieren den Entwurf in einer Web-Oberfläche.
Agenten stellen ihre Fragen dann über einen schreibgeschützten MCP-Server, eine REST-API oder den eingebauten Chat. Jede Antwort kommt mit ihrem SQL und den Schritten, die dazu geführt haben, und ein check_answerable-Tool sagt dem Agenten, wenn die Daten eine Frage nicht beantworten können. Es verbindet sich mit zehn Engines, darunter PostgreSQL, MySQL, Snowflake, Databricks, ClickHouse, Trino und DuckDB, und importiert und exportiert Modelle im Format Apache Ossie.
Es läuft als Docker Compose oder Helm-Chart: ein Next.js-Frontend mit Better-Auth-Login und Rollen, zwei FastAPI-Dienste und Postgres. Modelle nutzen standardmäßig NVIDIA-NIM-Endpoints auf build.nvidia.com, und jeder OpenAI-kompatible Endpoint kann sie ersetzen. Apache-2.0; NVIDIA nimmt keine externen Pull Requests an.
Lohnt sich NVIDIA Auto Ontology?
Auto Ontology zielt auf den Fehler, der bei Agenten-Analytics zählt: eine Abfrage, die läuft und die falsche Zahl liefert, weil „Umsatz“ etwas anderes bedeutete. Der Ansatz ist eine Schleife aus Entwurf und Zertifizierung. Das Modell entwirft Begriffe, Joins und SQL-Attribute aus Metadaten und Abfrageverlauf; Menschen korrigieren und zertifizieren sie; der Agent verwendet zertifiziertes SQL wieder, sodass dieselbe Kennzahl jedes Mal gleich berechnet wird.
Das README zeigt das Ergebnis an Microsofts Beispieldatenbank Wide World Importers: Eine Kompilierung ergab 31 Begriffe, und eine Frage nach dem Umsatz eines Produkts im Juni 2015 in Pennsylvania liefert $588.80 aus 3 Rechnungszeilen, samt dem verwendeten Join über sechs Tabellen. NVIDIA veröffentlicht ein separates Evaluations-Repository, das BIRD, BEAVER, FDABench-Lite und Wide World Importers zweimal ausführt, einmal nur mit dem Schema und einmal über die Ontologie, bewertet nach Ausführung ohne LLM-Judge. Das README selbst nennt keine Genauigkeitswerte, also muss jeder Gewinn auf den eigenen Daten gemessen werden.
Der Haken: Gewicht und Vertrauensgrenzen. Eine lokale Installation besteht aus Postgres mit pgvector, einer Next.js-App, zwei FastAPI-Diensten, optional Vault und einer befüllten Beispieldatenbank. Das README warnt, dass die Ports 3001 und 3002 privat bleiben müssen, weil das Backend einem weitergeleiteten User-Header vertraut und die Ingestion-Endpoints (ingest, delete, reset, compile) keine Authentifizierung haben. Standardmäßig gehen Schemas, Spaltenstichproben und Fragen an NVIDIAs gehostete API, und wer KumoRFM-Vorhersagen einschaltet, lädt verbundene Tabellen zu Kumos Dienst hoch.
Es ist jung und für Beiträge geschlossen. Die öffentliche Berichterstattung begann am 1. November 2026, das Repository hat 6.806 Sterne und 52 offene Issues und Pull Requests, die Version erreichte 1.2.0 am 5. November ohne GitHub-Releases, und Integrationswünsche (BigQuery, Microsoft Fabric) warten auf NVIDIAs Team. Gegenüber dbt MetricFlow oder Cube, die Kennzahlen in Code definieren, den du ohnehin prüfst, liegt der Vorteil von Auto Ontology im automatischen ersten Entwurf und im direkten Beantworten von Fragen; der Nachteil ist ein zweites System, das betrieben werden muss.
Wo es sich lohnt
Ein Datenplattform-Team bei einem Händler mit 2.000 Beschäftigten auf Snowflake
Analysten und Agenten Umsatzfragen stellen lassen, ohne dass jeder seine eigene Definition erfindet
Snowflake verbinden, die Ontologie kompilieren, die Finanzanalysten SQL-Attribute für Umsatz und Marge zertifizieren lassen und dann den schreibgeschützten MCP-Server für Cursor und Claude Desktop freigeben. Die Inferenz läuft über NVIDIAs API oder selbst gehostetes NIM.
Ein ML-Engineer, der Text-to-SQL für einen internen Assistenten evaluiert
Messen, ob eine semantische Schicht die Genauigkeit auf dem eigenen Schema verbessert
Mit NVIDIAs Repository ontology-sql-eval dieselben Fragen einmal nur mit Schema und einmal über die Ontologie ausführen, nach Ausführung bewertet, und die Liste der behobenen und neu kaputten Fragen lesen.
Die Analytics-Gruppe einer regulierten Bank
Datenbankinhalte von Modell-APIs Dritter fernhalten
Jede Modellrolle auf selbst gehostetes NIM oder einen internen OpenAI-kompatiblen Endpoint richten, Zugangsdaten in Vault ablegen, mit dem Helm-Chart deployen und KumoRFM ausgeschaltet lassen.
Bevor du dich festlegst
- Einrichtung
- Docker mit Compose v2, uv und ein NVIDIA-API-Key; .env.example kopieren, Passwörter und Keys setzen, die Beispieldatenbank aus auto-ontology-eval befüllen, docker compose up ausführen und dann in den Settings Semantic Compilation einschalten. Helm-Chart für Kubernetes.
- Integrationen
- PostgreSQL, MySQL, Databricks, Snowflake, ClickHouse, Trino, Apache Kyuubi, HeavyDB, DuckDB und SQLite; MCP-Server (FastMCP) mit Tools wie check_answerable und ask_question; REST-API mit gestreamten Antworten und OpenAPI-Spezifikation; drei Agent-Skills; Import und Export von Apache-Ossie-YAML.
- Daten und Datenschutz
- Katalog, Ontologie und App-Daten bleiben in deinem Postgres. Modellaufrufe gehen standardmäßig an integrate.api.nvidia.com; KumoRFM erhält, falls aktiviert, bis zu 20 Tabellen. Login und Rollen über Better Auth; optional Vault für Zugangsdaten. Apache-2.0.
- Kosten im großen Maßstab
- Selbst gehostete Dienste plus Inferenz: Standardmäßig kommen nemotron-3.5-lightning-30b-a3b für das Reasoning und kleine Nemotron-Modelle für Embedding und Rerank zum Einsatz, gehostet von NVIDIA oder auf eigenen GPUs.
- Grenzen
- Ports 3001 und 3002 müssen in einem privaten Netz bleiben; 52 offene Issues und Pull Requests; keine externen Beiträge; Modelle müssen strukturierte Ausgabe unterstützen, und das Embedding-Modell darf zwischen Ingestion und Abfrage nicht wechseln.
Was gut ist
- Entwirft Begriffe, Joins und SQL-Attribute aus Metadaten, Menschen zertifizieren sie
- Jede Antwort liefert ihr SQL und die Schritte dahinter
- Schreibgeschützter MCP-Server, der mit den Rechten des jeweiligen Nutzers läuft
- Zehn Datenbank-Engines sowie Import und Export im Format Apache Ossie
- Separates Benchmark-Werkzeug ohne Judge auf BIRD und anderen
Was nicht
- Schwerer Stack: Postgres, drei Dienste, optional Vault
- Interne Ports 3001 und 3002 absichtlich ohne Authentifizierung
- Standardmäßig gehen Schemas und Stichproben an NVIDIAs gehostete API
- Keine Genauigkeitswerte im README; keine externen Pull Requests
- Zertifizierung braucht dauerhafte menschliche Prüfung
Am besten für
Datenplattform-Teams, die wollen, dass Agenten auf eigener Infrastruktur aus zertifizierten Geschäftsdefinitionen antworten, und einen Stack aus mehreren Diensten betreiben können.
Alternativen zu NVIDIA Auto Ontology
NVIDIA Auto Ontology: häufige Fragen
- Lohnt sich NVIDIA Auto Ontology?
- Eine ernsthafte, selbst gehostete Antwort auf Agenten, die gültiges SQL mit falscher geschäftlicher Bedeutung schreiben, sofern du den ganzen Stack betreiben kannst und dir die Zeit nimmst, seine Entwürfe zu zertifizieren. Wir bewerten es mit 3.9 von 5.
- Was kostet NVIDIA Auto Ontology?
- Kostenlos unter Apache-2.0. Du zahlst für Modell-Inferenz (standardmäßig NVIDIAs gehosteter API-Katalog, alternativ eigene NIM- oder OpenAI-kompatible Endpoints) und für das Hosting von Postgres und drei Diensten.
- Welche Nachteile hat NVIDIA Auto Ontology?
- Schwerer Stack: Postgres, drei Dienste, optional Vault; Interne Ports 3001 und 3002 absichtlich ohne Authentifizierung; Standardmäßig gehen Schemas und Stichproben an NVIDIAs gehostete API; Keine Genauigkeitswerte im README; keine externen Pull Requests; Zertifizierung braucht dauerhafte menschliche Prüfung.
- Für wen eignet sich NVIDIA Auto Ontology?
- Datenplattform-Teams, die wollen, dass Agenten auf eigener Infrastruktur aus zertifizierten Geschäftsdefinitionen antworten, und einen Stack aus mehreren Diensten betreiben können.
- Was kostet NVIDIA Auto Ontology für ein Team oder im Produktivbetrieb?
- Selbst gehostete Dienste plus Inferenz: Standardmäßig kommen nemotron-3.5-lightning-30b-a3b für das Reasoning und kleine Nemotron-Modelle für Embedding und Rerank zum Einsatz, gehostet von NVIDIA oder auf eigenen GPUs.
- Ist NVIDIA Auto Ontology sicher für Firmendaten?
- Katalog, Ontologie und App-Daten bleiben in deinem Postgres. Modellaufrufe gehen standardmäßig an integrate.api.nvidia.com; KumoRFM erhält, falls aktiviert, bis zu 20 Tabellen. Login und Rollen über Better Auth; optional Vault für Zugangsdaten. Apache-2.0.
- Was sind die besten Alternativen zu NVIDIA Auto Ontology?
- Die nächsten Alternativen, die wir getestet haben, sind GraphRAG, Open Ontologies und LlamaIndex.
Antworten geprüft am 5. Nov. 2026.