Auto Ontology est un framework Apache 2.0 de NVIDIA qui construit du contexte sémantique au-dessus des métadonnées d’entreprise, valide les requêtes générées et expose cette couche aux agents via MCP, CLI et API.
NVIDIA a publié Auto Ontology en open source, un framework destiné à construire une couche sémantique et graphe au-dessus des données d’entreprise. Le projet cible un problème devenu central pour l’agentic analytics : un agent peut générer du SQL très vite, mais cette vitesse ne sert à rien s’il utilise la mauvaise métrique, la mauvaise table, une jointure incorrecte ou une définition métier non officielle.
Auto Ontology se place entre les métadonnées de l’entreprise et les agents qui doivent raisonner dessus. Il peut découvrir ou connecter des ontologies, réconcilier des définitions métier, valider des requêtes générées à partir de sémantiques et de lineage de référence, puis exposer ce contexte via MCP, CLI et API.
Qu’est-ce que NVIDIA Auto Ontology ?
Auto Ontology est un projet open source sous licence Apache 2.0 qui construit une couche de contexte sémantique et graphe au-dessus des données structurées d’entreprise.
Selon le dépôt NVIDIA, l’objectif est d’aider un agent à comprendre où se trouvent les données, ce qu’elles signifient, si elles doivent être utilisées, comment les utiliser et d’où elles proviennent.
Le projet comprend actuellement une interrogation des données structurées en langage naturel, un catalogue/ontologie stocké dans Postgres, authentification et RBAC, une interface web et des déploiements Docker Compose ou Helm.
Pourquoi cela compte pour les agents Text-to-SQL
Un LLM peut produire du SQL parfaitement valide sur le plan syntaxique et pourtant faux sur le plan métier. Il peut choisir une table secondaire, reconstruire un KPI avec la mauvaise formule, joindre deux tables à la mauvaise granularité ou ignorer le lineage.
Auto Ontology s’attaque donc au problème de contexte avant de traiter la génération SQL comme un simple problème de modèle.
Discover : construire ou connecter des ontologies d’entreprise à partir des métadonnées.
Ground : fournir aux agents les définitions fiables des métriques, entités et relations.
Validate : contrôler les requêtes générées par rapport aux définitions certifiées et au lineage.
Expose : rendre la couche sémantique disponible via MCP, CLI et API.
Learn : réinjecter les corrections certifiées et l’usage dans le contexte partagé.
Auto Ontology expose aussi un serveur MCP
Le projet inclut un serveur MCP pour permettre aux agent harnesses compatibles d’interroger les données tout en héritant des contrôles d’authentification et de permissions de la couche applicative.
La capacité documentée ask_question exécute le pipeline Text-to-SQL et peut renvoyer séparément la réponse, le SQL généré et les lignes de résultat. Un agent peut ainsi exploiter le SQL sans devoir l’extraire d’un texte narratif.
Une architecture plus large qu’un prompt LLM
Le dépôt utilise actuellement un frontend Next.js, des services FastAPI, Postgres avec pgvector et une intégration Vault optionnelle. Des endpoints NVIDIA NIM sont configurés par défaut pour le raisonnement, les embeddings et le reranking, avec des paramètres modifiables.
Auto Ontology ressemble donc davantage à une brique d’infrastructure sémantique qu’à une recette de prompt engineering.
Ce qu’Auto Ontology ne démontre pas encore
Le dépôt principal renvoie vers un projet d’évaluation séparé pour les benchmarks Text-to-SQL comme BIRD. Il ne publie pas sur sa page principale un gain universel de précision qui pourrait être transposé à toutes les bases d’entreprise.
La nuance est essentielle : une ontologie peut réduire l’ambiguïté et renforcer la validation, mais la fiabilité dépend toujours des métadonnées, définitions métier, modèles, schémas, permissions et jeux d’évaluation.
Pourquoi cette direction est importante
L’agentic analytics s’éloigne progressivement de l’idée qu’un modèle plus puissant peut deviner toutes les règles métier à partir d’un schéma brut.
L’architecture devient plus structurée :
question métier → contexte sémantique → plan analytique → outils gouvernés → exécution validée → réponse avec preuves
C’est également l’architecture que nous défendons dans notre guide Text-to-SQL avec LLM. Le modèle compte, mais sémantique, retrieval, validation et permissions déterminent si la réponse est réellement exploitable.
Le lien avec thaink²
thaink² applique la même séparation des responsabilités : le Data Analyst Agent raisonne sur les données de l’entreprise, tandis que contexte sémantique, permissions, outils, évaluation et AgentOps entourent le modèle.
Auto Ontology n’est pas un composant thaink² et cet article n’est pas un comparatif produit. Le signal intéressant est qu’un acteur majeur de l’infrastructure IA ouvre désormais une couche sémantique précisément destinée au type de problème que doivent résoudre les agents data en entreprise.
Ce qu’il faudra surveiller
les évaluations Text-to-SQL indépendantes sur de vrais schémas d’entreprise ;
la connexion aux semantic models déjà existants plutôt que leur reconstruction ;
la gouvernance des corrections et modifications d’ontologie ;
la latence et le coût opérationnel du pipeline multi-appels ;
l’adoption de l’interface MCP par des runtimes agentiques externes.
Faq
Qu’est-ce que NVIDIA Auto Ontology ?
Un framework open source qui construit une couche de contexte sémantique et graphe au-dessus des données d’entreprise pour mieux ancrer et valider les requêtes des agents.
Auto Ontology est-il open source ?
Oui. NVIDIA le publie sous licence Apache 2.0.
Auto Ontology génère-t-il du SQL ?
Le projet actuel inclut un flux langage naturel vers SQL et peut renvoyer le SQL généré et ses résultats.
Auto Ontology supporte-t-il MCP ?
Oui. Le projet inclut un serveur MCP pour les agents compatibles.
Garantit-il un Text-to-SQL précis ?
Non. La fiabilité dépend encore des métadonnées, définitions métier, modèles, permissions et données d’évaluation.
