NVIDIA veröffentlicht Auto Ontology als Open Source für KI-Agenten

X-PostGul Saeed KhattakAnkündigung

NVIDIA hat Auto Ontology als Open-Source-Semantic-Layer für KI-Agenten bereitgestellt. Das Werkzeug soll verhindern, dass Agenten bei Datenbankabfragen falsche Spalten oder fehlerhafte Joins wählen.

Das Wichtigste

  1. Auto Ontology fungiert als semantische Zwischenschicht zwischen KI-Agenten und Datenbanken, um die Auswahl unpassender Spaltennamen zu vermeiden.
  2. Klassische Protokolle wie MCP stellen lediglich Verbindungen her, lösen jedoch keine semantischen Mehrdeutigkeiten auf.
  3. Datenbankkommentare reichen oft nicht aus, um Geschäftsregeln und zeitliche Logiken für Abfragen eindeutig abzubilden.
  4. Reine Vektor- und RAG-Ansätze verwechseln leicht ähnliche Spalten wie Brutto- und Nettoumsatz; Auto Ontology setzt auf Geschäftsdefinitionen mit Zertifizierungsstatus und Lernschritt.
  5. Das Tool liefert Provenance-Angaben zur Nachvollziehbarkeit, während Aufwände für die Pflege und Zertifizierung im Team verbleiben.

Warum das relevant ist

Wenn KI-Agenten eigenständig SQL-Abfragen generieren, führen unklare Definitionen schnell zu plausibel aussehenden, aber inhaltlich falschen Zahlenberichten. Eine formalisierte semantische Schicht schafft Governance und verhindert stille Fehler in geschäftskritischen Auswertungen.

Einordnung

Gul Saeed Khattak betont, dass die Kernherausforderung bei Text-to-SQL weniger in der technischen Verbindung liegt, sondern in der Daten-Governance und Definitionshoheit. Zwar wirbt NVIDIA mit verkürzten Erstellungszeiten, belastbare Genauigkeitswerte stehen jedoch noch aus, und Teams müssen weiterhin Zeit in die Zertifizierung von Geschäftsmetriken investieren.

Original-Post

Gul Saeed Khattak

@Ldataengineer · 3. November 2026

NVIDIA Open-Sources Auto Ontology, a Semantic Layer for AI Agents Your boss asks the AI agent: "What was revenue last quarter?" It answers in 3 seconds. Clean number. Nice chart. But it used the wrong "revenue" column. 𝗡𝗼𝗯𝗼𝗱𝘆 𝗻𝗼𝘁𝗶𝗰𝗲𝘀. That's the problem NVIDIA's

2814 Likes76 Antworten5675 Lesezeichen235.703 Aufrufe

Auf X ansehen
Weitere Posts im Thread (10)
  1. @AlbertLath14811 @ShimazuSystems Could be. I only know Shimazu for TSUKUYOMI, their OSINT framework. Was it part of that? Send a link if you have one. To be fair, nobody here is first. Ontology-based access to SQL databases has been around for years (Ontop, R2RML mappings), and Snowflake and Databricks both
  2. @AlbertLath14811 @ShimazuSystems Also the goal was never the hard bit. Every data team wants agents to stop guessing columns. The hard bit is who signs off on what "revenue" means, and what happens when finance changes that definition next quarter. NVIDIA at least has a certified state and a Learn step for
  3. @seewonderai MCP is how the agent connects. It doesn't tell the agent which of your three revenue columns is the right one. Point an agent at raw Postgres over MCP and it will still guess from column names. Auto Ontology sits on the other end of that connection and holds the business terms
  4. @vioinabox The worse version is the boss never notices and the number ends up in a board pack. A bad join that doubles rows still gives you a perfect-looking chart. If you use an agent for reports, make it show the SQL every time and check which table it hit. It takes about 30 seconds.
  5. @KedemRam Yes. NVIDIA's own eval harness runs on BIRD, which uses public databases. That tells you nothing about your column names. I'd also count the hours your team spends certifying the ontology, since the 90% claim is about build time and no accuracy figures are out yet. Then run the
  6. @muayyadalsadi Agree, comments are the cheapest win there is, and any agent that reads the schema gets them for free. But look at your own example. "Datetime of record insert" tells me what dt is. It doesn't tell an agent whether "orders last quarter" should use dt or the order date. A
  7. @Sam4Jef Agree, that's the bit I would audit too. The README says it returns provenance with every answer, but doesn't say what's in it. You can get close yourself by logging the SQL from every ask_question call and match it to the term's SQL attributes with get_term_sql_attributes.
  8. @nickryg .added
  9. @MandzukRegan Yup it is but worth it 😊
  10. @finbobbb There is retrieval in it, to be fair. It does use embeddings and a reranker. The difference is what happens next. Basic RAG finds text that looks similar and hopes the model picks right, and to an embedding revenue_gross and revenue_net can look almost the same. Here the
Ausgewählte Antworten (5)
  • @Sam4Jef @Ldataengineer the wrong revenue column is the oldest bug in data lol, agents just ship it faster with a nicer chart. does auto ontology also log which definition it used per answer? thats the part id want to audit
  • @xarielx506 @Ldataengineer No classes, hierarchy, logical constraints or reasoning, so is this an actual ontology?
  • @AlbertLath14811 @Ldataengineer Huh. Pretty sure @ShimazuSystems had this running... Late last year? Same goal and everything.
  • @333nsab @Ldataengineer t.co/SHTZ5KWfLw
  • @vioinabox @Ldataengineer my boss is definitely going to notice eventually 💀

Erwähnte Links

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 4. November 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Repository:NVIDIA/SkillSpector

    SkillSpector: Sicherheits-Scanner für KI-Agenten-Skills von NVIDIA

    SkillSpector ist ein quelloffener Sicherheits-Scanner von NVIDIA, der Erweiterungen und Skills für AI Agents (wie Claude Code, Codex CLI oder Model Context Protocol / MCP) vor der Installation auf Schwachstellen und Schadcode prüft.

    15.871SternePython

    KI & AI· Tool

  • Repository:NVIDIA/OpenShell

    NVIDIA OpenShell: Isolierte Laufzeitumgebung für autonome KI-Agenten

    OpenShell von NVIDIA ist eine quelloffene, in Rust entwickelte Sandbox-Laufzeitumgebung für autonome KI-Agenten. Sie setzt deklarierbare Sicherheitsrichtlinien auf Kernel-Ebene durch und schützt Anmeldedaten sowie Netzwerkgrenzen.

    16.553SterneRust

    KI & AI· Tool

  • Artikel:Chris Alexiuk and Chintan Patel

    NVIDIA Nemotron 3.5 Lightning: Kompaktes MoE-Modell für Agenten-Workflows

    NVIDIA hat Nemotron 3.5 Lightning vorgestellt, ein offenes Mixture-of-Experts-Modell (MoE) mit 30 Milliarden Gesamt- und 3 Milliarden aktiven Parametern. Es wurde speziell für die Ausführungsebene langlebiger KI-Agenten optimiert, um Routineaufgaben wie Tool-Aufrufe und Ergebnisvalidierung schnell und kostengünstig zu bewältigen.

    KI & AI· Ankündigung

  • Repository:GoogleCloudPlatform/knowledge-catalog

    Google Cloud Knowledge Catalog: Tools und Beispiele für semantische AI-Agenten

    Das GitHub-Repository GoogleCloudPlatform/knowledge-catalog bündelt Tools, Agenten und Codebeispiele für den Knowledge Catalog von Google Cloud (ehemals Dataplex). Die Plattform dient als KI-gestützter Datenkatalog und Metadaten-Management-System, das strukturierte und unstrukturierte Daten in einem dynamischen Knowledge Graph verknüpft, um AI-Agenten Geschäftskontext bereitzustellen.

    9065SterneTypeScript

    KI & AI· Tool

  • Link:Tawkit, Inc.

    OpenBot: Selbst gehostete Enterprise-Agenten-Plattform mit AG-UI-Protokoll

    CopilotKit (Tawkit, Inc.) hat OpenBot vorgestellt, eine Open-Source-Plattform für KI-Agenten, die vollständig auf eigener Unternehmens-Infrastruktur betrieben wird. Die Lösung bindet interne Dokumente ein, unterstützt Computer-Use und basiert auf dem offenen Interaktionsprotokoll AG-UI.

    KI & AI· Tool

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.