Qu’est-ce que NVIDIA Auto Ontology ?
Auto Ontology construit une couche de sens métier au-dessus de bases de données relationnelles pour qu'un agent qui demande le « chiffre d'affaires » utilise à chaque fois les mêmes colonnes, jointures et formule. Il lit les schémas, profile les colonnes et échantillonne des valeurs, puis rédige trois types de définitions : des termes (comme Customer ou Invoice Line) rattachés à des colonnes, des attributs SQL relus comme une marge, et des relations entre tables, stockés dans Postgres avec des embeddings dans pgvector. Des humains affinent et certifient ce brouillon dans une interface web.
Les agents posent ensuite leurs questions via un serveur MCP en lecture seule, une API REST ou le chat intégré. Chaque réponse arrive avec son SQL et les étapes qui l'ont produite, et un outil check_answerable signale à l'agent quand les données ne permettent pas de répondre. Il se connecte à dix moteurs, dont PostgreSQL, MySQL, Snowflake, Databricks, ClickHouse, Trino et DuckDB, et importe et exporte des modèles au format Apache Ossie.
Il tourne en Docker Compose ou via un chart Helm : un front end Next.js avec connexion et rôles Better Auth, deux services FastAPI et Postgres. Les modèles utilisent par défaut des endpoints NVIDIA NIM sur build.nvidia.com, et tout endpoint compatible OpenAI peut les remplacer. Apache-2.0 ; NVIDIA n'accepte pas de pull requests extérieures.
NVIDIA Auto Ontology vaut-il le coup ?
Auto Ontology vise l'erreur qui compte dans l'analytique par agents : une requête qui s'exécute et renvoie le mauvais chiffre parce que « chiffre d'affaires » voulait dire autre chose. Son approche est une boucle brouillon puis certification. Le modèle rédige termes, jointures et attributs SQL à partir des métadonnées et de l'historique des requêtes ; des humains les corrigent et les certifient ; l'agent réutilise le SQL certifié, si bien que la même mesure est calculée de la même façon à chaque fois.
Le README montre le résultat sur la base d'exemple Wide World Importers de Microsoft : une compilation a produit 31 termes, et une question sur le chiffre d'affaires d'un produit en juin 2015 en Pennsylvanie renvoie $588.80 à partir de 3 lignes de facture, avec la jointure sur six tables utilisée. NVIDIA publie un dépôt d'évaluation distinct qui exécute BIRD, BEAVER, FDABench-Lite et Wide World Importers deux fois, une fois avec le seul schéma et une fois via l'ontologie, noté à l'exécution sans juge LLM. Le README lui-même ne publie aucun chiffre de précision, donc tout gain doit être mesuré sur vos propres données.
Le hic : le poids et les frontières de confiance. Une installation locale comprend Postgres avec pgvector, une app Next.js, deux services FastAPI, Vault en option et une base d'exemple pré-remplie. Le README prévient que les ports 3001 et 3002 doivent rester privés, car le backend fait confiance à un en-tête utilisateur transmis et les endpoints d'ingestion (ingest, delete, reset, compile) n'ont aucune authentification. Par défaut, schémas, échantillons de colonnes et questions partent vers l'API hébergée de NVIDIA, et activer les prédictions KumoRFM envoie les tables connectées au service de Kumo.
Il est jeune et fermé aux contributions. La couverture publique a commencé le 1er novembre 2026, le dépôt compte 6 806 étoiles et 52 issues et pull requests ouvertes, la version a atteint 1.2.0 le 5 novembre sans release GitHub, et les demandes d'intégration (BigQuery, Microsoft Fabric) attendent l'équipe de NVIDIA. Face à dbt MetricFlow ou Cube, qui définissent les métriques dans du code que vous relisez déjà, l'avantage d'Auto Ontology est de générer le premier brouillon et de répondre directement aux questions ; son inconvénient est un second système à exploiter.
Là où il fait la différence
Une équipe plateforme de données chez un distributeur de 2 000 personnes sur Snowflake
Permettre aux analystes et aux agents de poser des questions de chiffre d'affaires sans que chacun invente sa propre définition
Connecter Snowflake, compiler l'ontologie, faire certifier par les analystes financiers les attributs SQL de chiffre d'affaires et de marge, puis exposer le serveur MCP en lecture seule à Cursor et Claude Desktop. L'inférence tourne sur l'API de NVIDIA ou sur un NIM auto-hébergé.
Un ingénieur ML qui évalue le text-to-SQL pour un assistant interne
Mesurer si une couche sémantique améliore la précision sur notre propre schéma
Utiliser le dépôt ontology-sql-eval de NVIDIA pour poser les mêmes questions avec le seul schéma puis via l'ontologie, notées à l'exécution, et lire la liste des questions corrigées et cassées.
Le pôle analytique d'une banque réglementée
Garder le contenu des bases hors des API de modèles tierces
Faire pointer chaque rôle de modèle vers un NIM auto-hébergé ou un endpoint interne compatible OpenAI, stocker les identifiants dans Vault, déployer avec le chart Helm et laisser KumoRFM désactivé.
Avant de vous engager
- Mise en route
- Docker avec Compose v2, uv et une clé API NVIDIA ; copier .env.example, définir mots de passe et clés, charger la base d'exemple depuis auto-ontology-eval, lancer docker compose up, puis activer Semantic Compilation dans Settings. Chart Helm pour Kubernetes.
- Intégrations
- PostgreSQL, MySQL, Databricks, Snowflake, ClickHouse, Trino, Apache Kyuubi, HeavyDB, DuckDB et SQLite ; serveur MCP (FastMCP) avec des outils comme check_answerable et ask_question ; API REST avec réponses en streaming et spécification OpenAPI ; trois skills d'agent ; import et export YAML Apache Ossie.
- Données et confidentialité
- Catalogue, ontologie et données de l'app restent dans votre Postgres. Les appels aux modèles vont par défaut à integrate.api.nvidia.com ; KumoRFM, s'il est activé, reçoit jusqu'à 20 tables. Connexion et rôles via Better Auth ; Vault en option pour les identifiants. Apache-2.0.
- Coût à grande échelle
- Services auto-hébergés plus inférence : par défaut, nemotron-3.5-lightning-30b-a3b pour le raisonnement et de petits modèles Nemotron pour l'embedding et le rerank, hébergés par NVIDIA ou sur vos propres GPU.
- Limites
- Les ports 3001 et 3002 doivent rester sur un réseau privé ; 52 issues et pull requests ouvertes ; aucune contribution externe acceptée ; les modèles doivent gérer la sortie structurée et le modèle d'embedding ne peut pas changer entre l'ingestion et la requête.
Les points forts
- Rédige termes, jointures et attributs SQL depuis les métadonnées, puis des humains les certifient
- Chaque réponse renvoie son SQL et les étapes qui l'ont produite
- Serveur MCP en lecture seule qui tourne avec les droits de chaque utilisateur
- Dix moteurs de base de données et import et export Apache Ossie
- Banc d'essai distinct, sans juge, sur BIRD et d'autres
Les points faibles
- Pile lourde : Postgres, trois services, Vault en option
- Ports internes 3001 et 3002 sans authentification par conception
- Par défaut, envoie schémas et échantillons à l'API hébergée de NVIDIA
- Aucun chiffre de précision dans le README ; pas de pull requests extérieures
- La certification exige une relecture humaine soutenue
Idéal pour
Les équipes plateforme de données qui veulent que les agents répondent à partir de définitions métier certifiées sur leur propre infrastructure et qui peuvent exploiter une pile de plusieurs services.
Alternatives à NVIDIA Auto Ontology
NVIDIA Auto Ontology : questions fréquentes
- NVIDIA Auto Ontology vaut-il le coup ?
- Une réponse sérieuse et auto-hébergée aux agents qui écrivent du SQL valide avec le mauvais sens métier, à condition de pouvoir faire tourner toute sa pile et de prendre le temps de certifier ce qu'il rédige. Nous lui donnons 3.9 sur 5.
- Combien coûte NVIDIA Auto Ontology ?
- Gratuit sous Apache-2.0. Vous payez l'inférence des modèles (par défaut le catalogue d'API hébergé de NVIDIA, ou vos propres endpoints NIM ou compatibles OpenAI) et l'hébergement de Postgres et de trois services.
- Quels sont les inconvénients de NVIDIA Auto Ontology ?
- Pile lourde : Postgres, trois services, Vault en option; ports internes 3001 et 3002 sans authentification par conception; par défaut, envoie schémas et échantillons à l'API hébergée de NVIDIA; aucun chiffre de précision dans le README ; pas de pull requests extérieures; la certification exige une relecture humaine soutenue.
- À qui s’adresse NVIDIA Auto Ontology ?
- Les équipes plateforme de données qui veulent que les agents répondent à partir de définitions métier certifiées sur leur propre infrastructure et qui peuvent exploiter une pile de plusieurs services.
- Combien coûte NVIDIA Auto Ontology pour une équipe ou en production ?
- Services auto-hébergés plus inférence : par défaut, nemotron-3.5-lightning-30b-a3b pour le raisonnement et de petits modèles Nemotron pour l'embedding et le rerank, hébergés par NVIDIA ou sur vos propres GPU.
- NVIDIA Auto Ontology est-il sûr pour les données de l’entreprise ?
- Catalogue, ontologie et données de l'app restent dans votre Postgres. Les appels aux modèles vont par défaut à integrate.api.nvidia.com ; KumoRFM, s'il est activé, reçoit jusqu'à 20 tables. Connexion et rôles via Better Auth ; Vault en option pour les identifiants. Apache-2.0.
- Quelles sont les meilleures alternatives à NVIDIA Auto Ontology ?
- Les alternatives les plus proches que nous avons testées sont GraphRAG, Open Ontologies et LlamaIndex.
Réponses vérifiées le 5 nov. 2026.