NVIDIA, yapay zekâ ajanlarının SQL sorgularını güvenilir tanımlara bağlayan Auto Ontology'yi yayımladı

NVIDIA, yapay zekâ ajanlarının veri ambarına doğrudan değil, kurumsal tanımlarla hizalanmış bir anlamsal katman üzerinden SQL yazmasını sağlayan Auto Ontology kütüphanesini Apache 2.0 lisansıyla yayımladı. Projenin deposu, hızlı gelen ama yanlış olan bir gelir rakamının işe yaramayacağı tespitinden yola çıkıyor.

Kütüphane, şirket içi metadata'dan başlangıç düzeyinde bir ontoloji üretiyor ve ajanlara verinin nerede durduğunu, alanların ne anlama geldiğini ve hangi alanın nasıl kullanılması gerektiğini anlatıyor. NVIDIA'nın geliştirici sayfasına göre ortaya çıkan çıktı bir başlangıç noktası; iş uzmanlarının bunu test edip rafine etmesi ve onaylaması gerekiyor.

Auto Ontology neler yapabiliyor?

Kütüphane beş işlev etrafında kurgulanmış: metadata'dan ontoloji üretmek ve mevcut anlamsal modelleri bağlamak, metrik ve varlıklara güvenilir anlam kazandırmak, üretilen sorguları onaylı tanımlar ve veri soy kütüğüyle karşılaştırmak, bağlamı MCP, komut satırı ve API üzerinden sunmak ve onaylanmış düzeltmeleri ontolojiye geri işlemek.

Varsayılan dil modeli NVIDIA'nın nvidia/nemotron-3-nano-30b-a3b modeli; gömme ve yeniden sıralama için de Nemotron modelleri kullanılıyor. Ancak sistem OpenAI uyumlu her uç noktayla çalışacak şekilde tasarlanmış. Akıl yürütme, akıl yürütmesiz üretim, gömme ve yeniden sıralama için ayrı model rolleri tanımlanabiliyor.

MCP sunucusu hangi araçları sunuyor?

MCP sunucusu dokümanlarına göre 9 salt okunur araç bulunuyor. ask_question aracı yanıtı, SQL'i ve satırları ayrı alanlar olarak döndürüyor; sonuçlar 100 satırla sınırlı. check_readiness ise derlenmiş bir anlamsal katmanın ve canlı bir veritabanı bağlantısının bulunup bulunmadığını doğruluyor.

Ham şemalara göz atmak için bir araç yer almıyor. NVIDIA bu tercihi bilinçli yapmış: ajanlar veriye yalnızca anlamsal katman üzerinden erişiyor. Altta yatan OpenAPI spesifikasyonu 87 işlem yayımlıyor; oturum açma OAuth üzerinden yürüyor ve her çağrı oturum açan kullanıcının izinleriyle yapılıyor.

Sistem nasıl kuruluyor?

Yerel kurulum için .env dosyası doldurulduktan sonra docker compose up -d --build komutu yeterli. Kubernetes kullananlar için bir Helm grafiği ve DEPLOYMENT.md kılavuzu yayımlandı. NVIDIA ayrıca arka uç hizmetini NGC konteyneri olarak sunuyor. Varsayılan modeller için build.nvidia.com üzerinden alınan bir NVIDIA API anahtarı gerekiyor.

Altyapı dört temel hizmetten oluşuyor: 3000 portunda çalışan ve kimlik doğrulamayı üstlenen bir Next.js 16 arayüzü, 3001 portunda sohbet, doğal dil-SQL ve katalog API'lerini yürüten FastAPI tabanlı bir arka uç, 3002 portunda gömmeler yazan bir veri alma işçisi ve pgvector eklentili Postgres. Kaynak veritabanı tarafında Databricks, Postgres, Snowflake ve DuckDB destekleniyor.

Ölçüm tarafında tablo net değil

NVIDIA, değerlendirme için auto-ontology-eval adlı ayrı bir test düzeneği yayımladı. Düzenek NeMo Gym içinde iki kolu karşılaştırıyor: yalnızca şemayla beslenen bir model ve ontolojiyle desteklenen ajan. Puanlama, model yargıcı kullanılmadan deterministik çalıştırma eşleşmesiyle yapılıyor. Hazır veri setleri arasında 11 veritabanından 1.534 soruluk BIRD Dev, 500 soruluk Mini-Dev, 169 soruluk FDABench-Lite ve varsayılan olarak 100 soruluk örneklemle kullanılan BEAVER yer alıyor.

NVIDIA, kendi testlerinde ontoloji oluşturma süresinin yüzde 90 kısaldığını bildiriyor. Ancak kamuya açık hiçbir text-to-SQL doğruluk skoru yayımlanmış değil; değerlendirme deposu sonuçları değil, test düzeneğini içeriyor. Düzenek deposu ayrıca iki sınırlamaya dikkat çekiyor: isteğe bağlı birkaç örnek ve değer çapaları yalnızca ontoloji koluna veriliyor, dolayısıyla bu girdilerle ölçülen fark yalnızca ontolojinin etkisini göstermiyor. Test edilen yapılandırmada her iki kol da NVIDIA'nın çıkarım geçidindeki bir Claude modeli üzerinden yönlendiriliyor.

Neden önemli?

Kurumsal veri üzerinde çalışan yapay zekâ ajanlarının en büyük sorunu, doğru görünen ama tanımı tutmayan sorgular üretmesi. Auto Ontology, ajan ile veri ambarı arasına onaylı iş tanımlarından oluşan bir katman koyarak bu riski azaltmayı hedefliyor. Kütüphanenin MCP desteği, farklı ajan altyapılarının aynı bağlam katmanını sorgulayabilmesi anlamına geliyor.

Öte yandan ölçüm tarafının boş kalması, karar vericilerin sistemi kendi verileriyle sınamasını zorunlu kılıyor. Türkiye'deki ekipler için projenin açık lisanslı olması ve kendi sunucularında barındırılabilmesi önemli bir avantaj; ancak Türkçe sorgularla performansına dair yayımlanmış bir veri bulunmuyor.

Auto Ontology'nin kaynak kodu GitHub'da, değerlendirme düzeneği ayrı bir depoda ve MCP dokümanları projenin dokümantasyonunda yer alıyor.