¿Qué es NVIDIA Auto Ontology?
Auto Ontology construye una capa de significado de negocio sobre bases de datos relacionales para que un agente que pide «ingresos» use siempre las mismas columnas, joins y fórmula. Lee esquemas, perfila columnas y toma muestras de valores, y después redacta tres tipos de definición: términos (como Customer o Invoice Line) asociados a columnas, atributos SQL revisados como un margen, y relaciones entre tablas, guardados en Postgres con embeddings en pgvector. Las personas refinan y certifican el borrador en una interfaz web.
Los agentes preguntan después a través de un servidor MCP de solo lectura, una API REST o el chat integrado. Cada respuesta llega con su SQL y los pasos que la produjeron, y una herramienta check_answerable avisa al agente cuando los datos no pueden responder una pregunta. Se conecta a diez motores, entre ellos PostgreSQL, MySQL, Snowflake, Databricks, ClickHouse, Trino y DuckDB, e importa y exporta modelos en formato Apache Ossie.
Funciona con Docker Compose o un chart de Helm: un front end en Next.js con login y roles de Better Auth, dos servicios FastAPI y Postgres. Por defecto los modelos usan endpoints NVIDIA NIM en build.nvidia.com, y cualquier endpoint compatible con OpenAI puede sustituirlos. Apache-2.0; NVIDIA no acepta pull requests externos.
¿Merece la pena NVIDIA Auto Ontology?
Auto Ontology apunta al fallo que importa en la analítica con agentes: una consulta que se ejecuta y devuelve la cifra equivocada porque «ingresos» significaba otra cosa. Su enfoque es un ciclo de borrador y certificación. El modelo redacta términos, joins y atributos SQL a partir de metadatos e historial de consultas; las personas los corrigen y certifican; el agente reutiliza el SQL certificado para que la misma métrica se calcule igual cada vez.
El README muestra el resultado con la base de ejemplo Wide World Importers de Microsoft: una compilación produjo 31 términos, y una pregunta sobre los ingresos de un producto en junio de 2015 en Pensilvania devuelve $588.80 a partir de 3 líneas de factura, con el join de seis tablas que utilizó. NVIDIA publica un repositorio de evaluación aparte que ejecuta BIRD, BEAVER, FDABench-Lite y Wide World Importers dos veces, una solo con el esquema y otra a través de la ontología, puntuado por ejecución sin juez LLM. El propio README no publica cifras de precisión, así que cualquier mejora hay que medirla con tus propios datos.
La pega: el peso y las fronteras de confianza. Una instalación local incluye Postgres con pgvector, una app Next.js, dos servicios FastAPI, Vault opcional y una base de datos de ejemplo cargada. El README advierte que los puertos 3001 y 3002 deben seguir siendo privados porque el backend confía en una cabecera de usuario reenviada y los endpoints de ingesta (ingest, delete, reset, compile) no tienen autenticación. Por defecto los esquemas, las muestras de columnas y las preguntas van a la API alojada de NVIDIA, y activar las predicciones de KumoRFM sube las tablas conectadas al servicio de Kumo.
Es joven y está cerrado a contribuciones. La cobertura pública empezó el 1 de noviembre de 2026, el repositorio tiene 6.806 estrellas y 52 issues y pull requests abiertos, la versión llegó a 1.2.0 el 5 de noviembre sin releases en GitHub, y las peticiones de integración (BigQuery, Microsoft Fabric) esperan al equipo de NVIDIA. Frente a dbt MetricFlow o Cube, que definen métricas en código que ya revisas, la ventaja de Auto Ontology es generar el primer borrador y responder preguntas directamente; su desventaja es un segundo sistema que operar.
Dónde se gana su sitio
Un equipo de plataforma de datos en un minorista de 2.000 personas que usa Snowflake
Que analistas y agentes pregunten por ingresos sin que cada uno invente su propia definición
Conectar Snowflake, compilar la ontología, pedir a los analistas financieros que certifiquen los atributos SQL de ingresos y margen y exponer después el servidor MCP de solo lectura a Cursor y Claude Desktop. La inferencia corre en la API de NVIDIA o en NIM autoalojado.
Un ingeniero de ML que evalúa text-to-SQL para un asistente interno
Medir si una capa semántica mejora la precisión sobre nuestro propio esquema
Usar el repositorio ontology-sql-eval de NVIDIA para ejecutar las mismas preguntas solo con el esquema y a través de la ontología, puntuadas por ejecución, y leer la lista de preguntas que arregló y que rompió.
El grupo de analítica de un banco regulado
Mantener el contenido de las bases de datos fuera de APIs de modelos de terceros
Apuntar cada rol de modelo a NIM autoalojado o a un endpoint interno compatible con OpenAI, guardar las credenciales en Vault, desplegar con el chart de Helm y dejar KumoRFM desactivado.
Antes de decidirte
- Puesta en marcha
- Docker con Compose v2, uv y una clave de API de NVIDIA; copiar .env.example, definir contraseñas y claves, cargar la base de ejemplo desde auto-ontology-eval, ejecutar docker compose up y activar Semantic Compilation en Settings. Chart de Helm para Kubernetes.
- Integraciones
- PostgreSQL, MySQL, Databricks, Snowflake, ClickHouse, Trino, Apache Kyuubi, HeavyDB, DuckDB y SQLite; servidor MCP (FastMCP) con herramientas como check_answerable y ask_question; API REST con respuestas en streaming y especificación OpenAPI; tres skills para agentes; importación y exportación de YAML Apache Ossie.
- Datos y privacidad
- El catálogo, la ontología y los datos de la app se quedan en tu Postgres. Las llamadas a modelos van por defecto a integrate.api.nvidia.com; KumoRFM, si se activa, recibe hasta 20 tablas. Login y roles con Better Auth; Vault opcional para credenciales. Apache-2.0.
- Coste a escala
- Servicios autoalojados más inferencia: por defecto se usa nemotron-3.5-lightning-30b-a3b para el razonamiento y modelos Nemotron pequeños para embeddings y rerank, alojados por NVIDIA o en tus propias GPU.
- Límites
- Los puertos 3001 y 3002 deben quedar en una red privada; 52 issues y pull requests abiertos; no se aceptan contribuciones externas; los modelos deben admitir salida estructurada y el modelo de embeddings no puede cambiar entre la ingesta y la consulta.
Lo bueno
- Redacta términos, joins y atributos SQL desde los metadatos y las personas los certifican
- Cada respuesta devuelve su SQL y los pasos que hay detrás
- Servidor MCP de solo lectura que funciona con los permisos de cada usuario
- Diez motores de base de datos e importación y exportación en Apache Ossie
- Banco de pruebas aparte y sin juez sobre BIRD y otros
Lo malo
- Pila pesada: Postgres, tres servicios, Vault opcional
- Puertos internos 3001 y 3002 sin autenticación por diseño
- Por defecto envía esquemas y muestras a la API alojada de NVIDIA
- Sin cifras de precisión en el README; sin pull requests externos
- La certificación exige revisión humana sostenida
Ideal para
Equipos de plataforma de datos que quieren que los agentes respondan a partir de definiciones de negocio certificadas en su propia infraestructura y pueden operar una pila de varios servicios.
Alternativas a NVIDIA Auto Ontology
NVIDIA Auto Ontology: preguntas frecuentes
- ¿Merece la pena NVIDIA Auto Ontology?
- Una respuesta seria y autoalojada a los agentes que escriben SQL válido con el significado de negocio equivocado, siempre que puedas operar toda su pila y dedicar tiempo a certificar lo que redacta. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta NVIDIA Auto Ontology?
- Gratis bajo Apache-2.0. Pagas la inferencia de los modelos (por defecto el catálogo de API alojado de NVIDIA, o tus propios endpoints NIM o compatibles con OpenAI) y el alojamiento de Postgres y tres servicios.
- ¿Qué inconvenientes tiene NVIDIA Auto Ontology?
- Pila pesada: Postgres, tres servicios, Vault opcional; puertos internos 3001 y 3002 sin autenticación por diseño; por defecto envía esquemas y muestras a la API alojada de NVIDIA; sin cifras de precisión en el README; sin pull requests externos; la certificación exige revisión humana sostenida.
- ¿Para quién es NVIDIA Auto Ontology?
- Equipos de plataforma de datos que quieren que los agentes respondan a partir de definiciones de negocio certificadas en su propia infraestructura y pueden operar una pila de varios servicios.
- ¿Cuánto cuesta NVIDIA Auto Ontology para un equipo o en producción?
- Servicios autoalojados más inferencia: por defecto se usa nemotron-3.5-lightning-30b-a3b para el razonamiento y modelos Nemotron pequeños para embeddings y rerank, alojados por NVIDIA o en tus propias GPU.
- ¿Es NVIDIA Auto Ontology seguro para los datos de la empresa?
- El catálogo, la ontología y los datos de la app se quedan en tu Postgres. Las llamadas a modelos van por defecto a integrate.api.nvidia.com; KumoRFM, si se activa, recibe hasta 20 tablas. Login y roles con Better Auth; Vault opcional para credenciales. Apache-2.0.
- ¿Cuáles son las mejores alternativas a NVIDIA Auto Ontology?
- Las alternativas más cercanas que hemos analizado son GraphRAG, Open Ontologies y LlamaIndex.
Respuestas comprobadas el 5 nov 2026.