Por Canuto  

NVIDIA presentó Auto Ontology, una biblioteca abierta que busca dar contexto empresarial a los agentes de IA antes de que generen consultas SQL. La compañía reporta una creación de ontologías 90% más rápida en sus pruebas, aunque el proyecto todavía no publica cifras de precisión text-to-SQL.
***

  • Auto Ontology, bajo licencia Apache 2.0, crea una capa de contexto a partir de metadatos empresariales para orientar consultas SQL.
  • La herramienta ofrece nueve funciones de solo lectura mediante MCP y puede desplegarse con Docker Compose o Kubernetes.
  • NVIDIA afirma que agilizó 90% la creación de ontologías, pero aún no presenta resultados públicos de precisión text-to-SQL.

NVIDIA presentó Auto Ontology, una biblioteca de código abierto que busca ayudar a los agentes de inteligencia artificial a consultar bases de datos empresariales con definiciones de negocio como referencia. La propuesta introduce una capa semántica entre el agente y los datos: en vez de depender únicamente de nombres de tablas y columnas, el sistema puede considerar qué significan las métricas y cómo deben utilizarse.

La biblioteca utiliza licencia Apache 2.0 y permite servir ese contexto mediante MCP, una interfaz que facilita la conexión entre modelos y herramientas externas. NVIDIA sostiene que el enfoque puede acelerar la preparación de ontologías, pero el repositorio todavía no presenta puntuaciones públicas que demuestren la precisión de las consultas SQL generadas.

Una capa de contexto para los agentes

En una empresa, una consulta sobre ingresos puede producir una respuesta rápida y, aun así, equivocada si el agente interpreta mal una columna o utiliza una métrica distinta de la definición oficial. Auto Ontology pretende reducir ese riesgo al organizar metadatos, términos de negocio, relaciones y procedencia de los datos en una capa que los agentes pueden consultar antes de escribir SQL. NVIDIA describe la biblioteca como una herramienta que construye esa capa a partir de metadatos empresariales y reconcilia definiciones entre sistemas.

El sistema ofrece cinco funciones principales: descubrir ontologías desde los metadatos y conectar modelos semánticos existentes; fundamentar métricas, entidades y relaciones; validar consultas frente a definiciones certificadas y su linaje; exponer contexto mediante MCP, una interfaz de línea de comandos y una API; e incorporar correcciones certificadas a la ontología. La secuencia apunta a mantener un vínculo entre los datos disponibles y las reglas que la empresa reconoce como válidas.

La herramienta genera una ontología inicial, no una fuente de verdad empresarial lista para utilizar sin revisión. Según la página para desarrolladores de NVIDIA, los expertos de negocio deben probar, refinar y certificar ese resultado, un paso que conserva la responsabilidad de validar qué significan las métricas y cómo se relacionan los datos.

Ese requisito importa porque los metadatos, por sí solos, no siempre describen las convenciones internas de una organización. Una columna llamada ventas, por ejemplo, podría representar ingresos brutos, transacciones cerradas o una cifra calculada bajo reglas específicas; la capa semántica puede servir como guía, pero alguien con conocimiento del negocio debe confirmar que la interpretación sea correcta.

Arquitectura, modelos y acceso

Auto Ontology combina cuatro servicios principales: una interfaz web construida con Next.js 16, un backend FastAPI con LangChain, un proceso de ingesta para crear embeddings y una base de datos PostgreSQL con pgvector para guardar el catálogo, la ontología y los vectores. La arquitectura separa la experiencia de usuario, las funciones de consulta, el procesamiento de datos y el almacenamiento semántico.

La interfaz web y la autenticación funcionan en el puerto 3000, mientras el backend atiende en el 3001 y el worker de ingesta en el 3002. Como fuentes de datos, la biblioteca contempla Databricks, PostgreSQL, Snowflake y DuckDB; sus modelos se configuran mediante variables de entorno para indicar endpoint, clave y nombre de modelo.

La configuración predeterminada utiliza nvidia/nemotron-3-nano-30b-a3b, además de modelos Nemotron para embeddings y reranking. NVIDIA indica que la inferencia puede ejecutarse con endpoints alojados de NVIDIA NIM o con instancias autoalojadas, y que también se admite cualquier endpoint compatible con OpenAI.

Para conectar agentes, el servidor MCP ofrece nueve herramientas de solo lectura. La función ask_question devuelve por separado la respuesta, el SQL y las filas, con un límite de 100 resultados; check_readiness permite verificar que exista una capa semántica compilada y una conexión activa a la base de datos.

El diseño no incluye una herramienta para que el agente explore directamente esquemas sin procesar, una decisión intencional para mantener las consultas dentro de la capa semántica. La especificación OpenAPI subyacente publica 87 operaciones, mientras que el inicio de sesión utiliza OAuth y cada llamada conserva los permisos del usuario autenticado, según la documentación del proyecto.

Evaluación: promesa de velocidad, precisión aún por comprobar

NVIDIA reporta que sus pruebas redujeron 90% el tiempo necesario para crear ontologías. La cifra corresponde a una afirmación de la compañía y describe la velocidad de preparación de la capa, no la tasa de aciertos de los agentes al responder preguntas empresariales.

Para evaluar el sistema, NVIDIA publica un harness separado llamado auto-ontology-eval, que compara dos enfoques en NeMo Gym: un modelo de lenguaje con acceso al esquema y un agente fundamentado en la ontología. La evaluación utiliza una coincidencia determinista de ejecución, en lugar de un juez basado en otro modelo de lenguaje, para contrastar las consultas con los resultados esperados.

El harness incluye BIRD Dev, con 1.534 preguntas distribuidas en 11 bases de datos, y una versión Mini-Dev de 500 preguntas. También incorpora FDABench-Lite, con 169 preguntas, y BEAVER, que por defecto utiliza una muestra de 100; sin embargo, el repositorio presenta la infraestructura de evaluación, no resultados publicados de precisión.

La configuración descrita tiene límites que deben tenerse presentes al interpretar comparaciones futuras. Los ejemplos opcionales de few-shot y los anclajes de valor se entregan únicamente al agente con ontología, por lo que una diferencia de rendimiento incluiría el efecto de esas ayudas y no mediría exclusivamente el grounding semántico.

Además, la configuración probada encamina ambos brazos a través de un modelo Claude en la pasarela de inferencia de NVIDIA. El repositorio no ofrece puntuaciones públicas que permitan juzgar la exactitud text-to-SQL de Auto Ontology, de modo que los usuarios interesados tendrán que ejecutar el harness y revisar los resultados en su propio entorno antes de confiar en sus respuestas.

Despliegue y lugar frente a otras herramientas

Los equipos pueden iniciar la configuración local con Docker Compose después de completar el archivo de entorno, o instalar la plataforma en Kubernetes mediante un gráfico Helm y una guía de despliegue. NVIDIA también distribuye el backend como contenedor NGC, y una clave de API disponible en build.nvidia.com cubre los modelos predeterminados descritos por el proyecto. En el catálogo NGC, el gráfico Helm de Auto Ontology figura en la versión 1.1.0, con actualización registrada el 13 de octubre de 2026.

La apuesta se distingue de otras capas semánticas por la generación inicial desde metadatos y su posterior certificación por especialistas. En la comparación publicada por MarkTechPost, Wren AI aparece asociado a archivos de contexto asistidos por agentes, mientras Cube Core y dbt MetricFlow se apoyan en definiciones de código; sus interfaces y fuentes compatibles también difieren.

Ese contraste no establece que una herramienta supere a las demás en precisión o facilidad de uso, ya que la información disponible no aporta una evaluación común de rendimiento. Sí ayuda a ubicar Auto Ontology como una opción abierta, con integración MCP, CLI y API, y con conectores de datos indicados para Databricks, PostgreSQL, Snowflake y DuckDB.

La licencia Apache 2.0 permite inspeccionar y adaptar la biblioteca, pero la apertura del código no reemplaza las pruebas operativas ni la certificación de las definiciones empresariales. La promesa central es que los agentes consulten un contexto confiable antes de formular SQL; que lo consigan de manera consistente dependerá de la calidad de los metadatos, la revisión humana y resultados de evaluación que todavía no se han publicado.

La noticia fue reportada por MarkTechPost, que detalló la arquitectura, las herramientas de evaluación y las limitaciones disponibles en los repositorios del proyecto. Por ahora, Auto Ontology ofrece una infraestructura para construir y consultar una capa semántica, mientras la evidencia pública sobre la exactitud de sus respuestas sigue pendiente.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados