O que é NVIDIA Auto Ontology?
O Auto Ontology constrói uma camada de significado de negócio sobre bancos de dados relacionais para que um agente que pede "receita" use sempre as mesmas colunas, joins e fórmula. Ele lê esquemas, faz o perfil das colunas e amostra valores, depois rascunha três tipos de definição: termos (como Customer ou Invoice Line) mapeados para colunas, atributos SQL revisados como uma margem, e relacionamentos entre tabelas, armazenados no Postgres com embeddings no pgvector. Pessoas refinam e certificam o rascunho em uma interface web.
Depois os agentes fazem perguntas por um servidor MCP somente leitura, uma API REST ou o chat embutido. Cada resposta volta com o SQL e os passos que a produziram, e uma ferramenta check_answerable avisa o agente quando os dados não conseguem responder a uma pergunta. Ele se conecta a dez engines, entre elas PostgreSQL, MySQL, Snowflake, Databricks, ClickHouse, Trino e DuckDB, e importa e exporta modelos no formato Apache Ossie.
Roda como Docker Compose ou um chart Helm: um front end em Next.js com login e papéis via Better Auth, dois serviços FastAPI e Postgres. Os modelos usam por padrão endpoints NVIDIA NIM em build.nvidia.com, e qualquer endpoint compatível com OpenAI pode substituí-los. Apache-2.0; a NVIDIA não aceita pull requests externos.
NVIDIA Auto Ontology vale a pena?
O Auto Ontology mira a falha que importa em análises feitas por agentes: uma consulta que roda e devolve o número errado porque "receita" significava outra coisa. A abordagem é um ciclo de rascunhar e certificar. O modelo rascunha termos, joins e atributos SQL a partir de metadados e do histórico de consultas; pessoas os corrigem e certificam; o agente reutiliza o SQL certificado para que a mesma medida seja calculada sempre da mesma forma.
O README mostra o resultado na amostra Wide World Importers da Microsoft: uma compilação produziu 31 termos, e uma pergunta sobre a receita de um produto em junho de 2015 na Pensilvânia devolve $588.80 a partir de 3 linhas de fatura, com o join de seis tabelas que usou. A NVIDIA publica um repositório de avaliação separado que roda BIRD, BEAVER, FDABench-Lite e Wide World Importers duas vezes, uma só com o esquema e outra pela ontologia, pontuado por execução sem juiz LLM. O próprio README não publica números de acurácia, então qualquer ganho precisa ser medido nos seus dados.
O porém: peso e limites de confiança. Uma instalação local é Postgres com pgvector, um app Next.js, dois serviços FastAPI, Vault opcional e um banco de amostra pré-carregado. O README avisa que as portas 3001 e 3002 devem continuar privadas porque o backend confia em um cabeçalho de usuário encaminhado e os endpoints de ingestão (ingest, delete, reset, compile) não têm autenticação. Por padrão, esquemas, amostras de colunas e perguntas vão para a API hospedada da NVIDIA, e ativar as previsões do KumoRFM envia as tabelas conectadas para o serviço da Kumo.
É jovem e fechado a contribuições. A cobertura pública começou em 1 de novembro de 2026, o repositório tem 6.806 estrelas e 52 issues e pull requests abertos, a versão chegou à 1.2.0 em 5 de novembro sem releases no GitHub, e pedidos de integração (BigQuery, Microsoft Fabric) aguardam a equipe da NVIDIA. Frente ao dbt MetricFlow ou ao Cube, que definem métricas em código que você já revisa, a vantagem do Auto Ontology é gerar o primeiro rascunho e responder perguntas diretamente; a desvantagem é ser um segundo sistema para operar.
Onde ele se destaca
Uma equipe de plataforma de dados em um varejista de 2.000 pessoas no Snowflake
Deixar analistas e agentes fazerem perguntas sobre receita sem que cada um invente a própria definição
Conecte o Snowflake, compile a ontologia, peça aos analistas financeiros para certificar os atributos SQL de receita e margem, e então exponha o servidor MCP somente leitura ao Cursor e ao Claude Desktop. A inferência roda na API da NVIDIA ou em NIM auto-hospedado.
Um engenheiro de ML avaliando text-to-SQL para um assistente interno
Medir se uma camada semântica melhora a acurácia no nosso próprio esquema
Use o repositório ontology-sql-eval da NVIDIA para rodar as mesmas perguntas só com o esquema e pela ontologia, pontuadas por execução, e leia a lista de perguntas que ele corrigiu e quebrou.
O grupo de análise de um banco regulado
Manter o conteúdo do banco de dados fora de APIs de modelos de terceiros
Aponte todos os papéis de modelo para NIM auto-hospedado ou um endpoint interno compatível com OpenAI, guarde as credenciais no Vault, implante com o chart Helm e deixe o KumoRFM desativado.
Antes de decidir
- Configuração
- Docker com Compose v2, uv e uma chave de API da NVIDIA; copie o .env.example, defina senhas e chaves, carregue o banco de amostra a partir do auto-ontology-eval, rode docker compose up e depois ative Semantic Compilation em Settings. Chart Helm para Kubernetes.
- Integrações
- PostgreSQL, MySQL, Databricks, Snowflake, ClickHouse, Trino, Apache Kyuubi, HeavyDB, DuckDB e SQLite; servidor MCP (FastMCP) com ferramentas como check_answerable e ask_question; API REST com respostas em streaming e uma especificação OpenAPI; três skills de agente; importação e exportação YAML Apache Ossie.
- Dados e privacidade
- Catálogo, ontologia e dados do app ficam no seu Postgres. As chamadas de modelo vão para integrate.api.nvidia.com por padrão; o KumoRFM, se ativado, recebe até 20 tabelas. Login e papéis via Better Auth; Vault opcional para credenciais. Apache-2.0.
- Custo em escala
- Serviços auto-hospedados mais inferência: o padrão usa nemotron-3.5-lightning-30b-a3b para raciocínio e pequenos modelos Nemotron de embedding e rerank, hospedados pela NVIDIA ou nas suas próprias GPUs.
- Limites
- As portas 3001 e 3002 devem ficar em uma rede privada; 52 issues e pull requests abertos; não aceita contribuições externas; os modelos precisam suportar saída estruturada e o modelo de embedding não pode mudar entre a ingestão e a consulta.
O que é bom
- Rascunha termos, joins e atributos SQL a partir dos metadados, depois pessoas os certificam
- Toda resposta devolve o SQL e os passos por trás dela
- Servidor MCP somente leitura que roda com as permissões de cada usuário
- Dez engines de banco de dados e importação e exportação Apache Ossie
- Harness de benchmark separado e sem juiz no BIRD e outros
O que não é
- Pilha pesada: Postgres, três serviços, Vault opcional
- Portas internas 3001 e 3002 sem autenticação por design
- O padrão envia esquemas e amostras para a API hospedada da NVIDIA
- Sem números de acurácia no README; sem pull requests externos
- A certificação exige revisão humana contínua
Ideal para
Equipes de plataforma de dados que querem agentes respondendo a partir de definições de negócio certificadas na própria infraestrutura e conseguem operar uma pilha de vários serviços.
Alternativas ao NVIDIA Auto Ontology
NVIDIA Auto Ontology: perguntas frequentes
- NVIDIA Auto Ontology vale a pena?
- Uma resposta séria e auto-hospedada para agentes que escrevem SQL válido com o significado de negócio errado, desde que você consiga operar toda a pilha e dedicar tempo a certificar o que ela rascunha. Damos nota 3.9 de 5.
- Quanto custa NVIDIA Auto Ontology?
- Gratuito sob Apache-2.0. Você paga a inferência dos modelos (o catálogo de API hospedado da NVIDIA por padrão, ou seus próprios endpoints NIM ou compatíveis com OpenAI) e a hospedagem do Postgres e de três serviços.
- Quais são as desvantagens de NVIDIA Auto Ontology?
- Pilha pesada: Postgres, três serviços, Vault opcional; portas internas 3001 e 3002 sem autenticação por design; o padrão envia esquemas e amostras para a API hospedada da NVIDIA; sem números de acurácia no README; sem pull requests externos; a certificação exige revisão humana contínua.
- Para quem NVIDIA Auto Ontology é indicado?
- Equipes de plataforma de dados que querem agentes respondendo a partir de definições de negócio certificadas na própria infraestrutura e conseguem operar uma pilha de vários serviços.
- Quanto custa NVIDIA Auto Ontology para uma equipe ou em produção?
- Serviços auto-hospedados mais inferência: o padrão usa nemotron-3.5-lightning-30b-a3b para raciocínio e pequenos modelos Nemotron de embedding e rerank, hospedados pela NVIDIA ou nas suas próprias GPUs.
- NVIDIA Auto Ontology é seguro para dados da empresa?
- Catálogo, ontologia e dados do app ficam no seu Postgres. As chamadas de modelo vão para integrate.api.nvidia.com por padrão; o KumoRFM, se ativado, recebe até 20 tabelas. Login e papéis via Better Auth; Vault opcional para credenciais. Apache-2.0.
- Quais são as melhores alternativas ao NVIDIA Auto Ontology?
- As alternativas mais próximas que analisamos são GraphRAG, Open Ontologies e LlamaIndex.
Respostas verificadas em 5 de nov. de 2026.