本文へスキップ
hdknr blog

NVIDIA Auto Ontology

DB のメタデータからオントロジー(用語・SQL 属性・関係)を自動生成し、人が認定した定義で AI エージェントの Text-to-SQL を正確にする NVIDIA の OSS(Apache-2.0)

概要

NVIDIA/auto-ontology は、企業 DB のメタデータとクエリ履歴からオントロジーの草案を自動生成し、人が検証・認定した定義を MCP・CLI・REST API でエージェントに提供する OSS。Text-to-SQL の精度をプロンプトやモデルの賢さに頼らず、「業務上の意味」と「結合の仕方」をデータ化して上げる。2026 年 4 月公開、ライセンスは Apache-2.0。既存のセマンティックモデルは置き換えず補完する位置づけ。

詳細

5 つの機能と 3 種類の定義

Discover(生成)・Ground(意味を与える)・Validate(定義と照合し出典を付ける)・Expose(MCP / CLI / API)・Learn(認定された修正を還元)。オントロジーは次の 3 種類で構成される。

定義内容防ぐ誤り
用語(Terms)業務概念・説明・同義語と、保持する列言葉と列の対応
SQL 属性用語の下に置くレビュー済み SQL 式(利益率など)指標の計算式
関係テーブルの結合方法(中間テーブル含む)。キーとデータから推定結合の経路

人が認定するのは用語・説明・SQL 属性で、どのセマンティック外部キーで結合するかはコンパイルのたびに選び直される。

生成(セマンティックコンパイル)

カタログ取り込み(テーブル・列・キー・ビュー・クエリ履歴、pgvector に埋め込み、任意で PII 検出)→ テーブルごとのプロファイリングと外部キー候補の発見 → テーブル横断で用語ファミリー化し、推定した結合はデータで裏付けたものだけ残す → Postgres に保存(Ossie YAML でインポート / エクスポート可)→ check_answerable・ask_question で試しながら人が認定。

回答

分類 → 埋め込み検索 → 結合(経路はオントロジーから決まり、経路探索に LLM は関与しない。起点の選択には使う)→ 推論モデルで SQL 生成 → 静的チェックと LLM ジャッジで検査・修復(結果が空ならフィルタ値の実在を確認)→ SQL と手順を添えて回答。有効なクエリが作れなければ「答えられない」と報告する。ROAS のようにデータにない概念は、check_answerable で確かめて聞き返す。

構成と接続先

Next.js(Web UI・認証・公開 API ゲートウェイ、3000)、FastAPI のバックエンド(3001)と取り込みサービス(3002)、FastMCP の MCP サーバー(3003、Compose には含まれず別途起動)、PostgreSQL 17 + pgvector、任意で Vault。推論は既定で NVIDIA NIM(Nemotron 系)、REASONING・NON_REASONING・EMBED・RERANK の 4 役割ごとに OpenAI 互換エンドポイントへ差し替えられる。データソースは PostgreSQL・MySQL・Databricks・Snowflake・ClickHouse・Trino・Apache Kyuubi・HeavyDB・DuckDB・SQLite の 10 種類。

組み込むときは画面を使わず REST API(POST /api/chat/completions、SSE)か MCP で呼ぶのが公式の想定。Next.js を外して FastAPI を直接呼ぶのは、x-auto-ontology-user-id ヘッダーを無検証で信頼する・トークンやアカウント管理が Next.js にしかない・MCP も使えない、という理由で勧められない。

運用上の注意

業務システムでの使いどころ

権限のある業務システムでは中核に据えず、全社データを見てよい監査担当などの役割にだけ開放するハイブリッドで使う。まず PoC で実際の質問 20〜50 件の正答率と DB をまたぐ質問の扱いを測る。スタックが重ければ Ossie YAML で定義だけ持ち出し、軽量な自前実装で使う道もある。価値があるのは実行環境ではなく作り込んだ定義のほう。評価には BIRD などで差を測る auto-ontology-eval がある。

関連ページ

ソース記事