انویدیا فریمورک Auto Ontology را معرفی کرد؛ درک دقیق داده‌های سازمانی توسط ایجنت‌های هوش مصنوعی

معرفی فریمورک Auto Ontology انویدیا

پروژه Auto Ontology یک فریمورک متن‌باز لایه معنایی و آنتولوژی سازمانی از سوی انویدیا است که زمینه مفهومی و قابل اعتمادی درباره معنای واقعی داده‌ها در اختیار مدل‌های بزرگ زبانی (LLM) و ایجنت‌ها قرار می‌دهد. این پروژه که بخشی از جعبه‌ابزار پایه‌ای دانش ایجنت‌های انویدیا (NVIDIA Agent Knowledge Foundation) به‌شمار می‌رود، در مخزن گیت‌هاب Auto Ontology در دسترس قرار گرفته است.

وظایف و قابلیت‌های کلیدی این فریمورک عبارت‌اند از:

• کشف خودکار (Discover): استخراج و تولید آنتولوژی از فراداده‌ها، اتصال به مدل‌های معنایی موجود و ساخت گراف‌های دانش
• تثبیت معنایی (Ground): ارائه تعاریف تجاری تأییدشده و معتبر برای شاخص‌ها، موجودیت‌ها و روابط میان داده‌ها
• اعتبارسنجی (Validate): بررسی و سنجش کدهای SQL تولیدشده بر اساس تعاریف تأییدشده و ریشه‌یابی داده‌ها، همراه با بازگرداندن منشأ اطلاعات
• عرضه و دسترسی (Expose): ارائه دسترسی خواندنی از طریق رابط‌های MCP، خط فرمان (CLI) و API برای اتصال به هر ساختار یا بستر ایجنتی
• یاد‌گیری مداوم (Learn): بازخورد و اعمال اصلاحات انسانی و الگوهای مصرف در به‌روزرسانی مداوم آنتولوژی.

استقرار این فریمورک به‌سادگی از طریق Docker Compose یا Helm در کوبرنتیز امکان‌پذیر است؛ هم‌چنین برای بخش استنتاج می‌توان از ریزسرویس‌های NVIDIA NIM (مانند مدل nemotron-3-nano) بهره برد. این پروژه پس از بازتاب رسانه‌ای گسترده، با استقبال چشمگیر توسعه‌دهندگان روبه‌رو شد و با جذب روزانه حدود ۲۶۰۰ ستاره، توانست به رتبه اول روندهای روزانه گیت‌هاب صعود کند و مجموع ستاره‌های خود را به بیش از ۷۶۰۰ برساند.

چالش اصلی و نیاز به لایه معنایی

ایجنت‌های هوش مصنوعی امروزه می‌توانند به انبارهای داده متصل شوند و اسناد مختلف را بازیابی کنند، اما اگر مفهومی مانند «درآمد» در سیستم‌های مختلف معانی متفاوتی داشته باشد، حتی یک پاسخ فوق‌العاده سریع نیز ممکن است کاملاً گمراه‌کننده و اشتباه باشد. فریمورک Auto Ontology دقیقاً یک لایه تعاریف تأییدشده توسط کارشناسان کسب‌وکار میان ایجنت و انبار داده قرار می‌دهد تا از درک یکپارچه و دقیق مفاهیم اطمینان حاصل شود.

جایگاه و رویکرد فریمورک در اکوسیستم داده

این فریمورک به‌عنوان مکمل مدل‌های معنایی کنونی (نظیر لایه معنایی dbt، پلتفرم Cube و AtScale) عمل می‌کند و قرار نیست جایگزین آن‌ها شود. ارزش محوری آن در ارائه یک افزونه تحت پروتکل MCP به‌همراه ادغام با NVIDIA NIM برای بستر Agent Toolkit و ایجنت‌های سازمانی نهفته است.

محدودیت‌ها و نکات قابل توجه

• آمارهای رسمی اندکی درباره میزان دقت تبدیل متن به SQL (Text-to-SQL) منتشر شده است، بنابراین تیم‌ها باید ارزیابی‌های اختصاصی خود را انجام دهند
• مخزن پروژه در حال حاضر مشارکت‌های خارجی توسعه‌دهندگان را نمی‌پذیرد
• با وجود اینکه زمان انتشار اولیه این پروژه به روزهای گذشته بازمی‌گردد، توجه و اشتراک‌گذاری گسترده آن در شبکه‌های اجتماعی و گیت‌هاب موجب جلب نگاه جامعه مهندسی شده است.

این ابزار برای چه کسانی مناسب است؟

• تیم‌های داده و پلتفرم که قصد دارند قابلیت‌های تبدیل متن به SQL و پرسش‌وپاسخ‌های تحلیلی ایجنت‌های سازمانی را با ریشه‌یابی و منشأ شفاف داده‌ها مستند کنند
• تیم‌هایی با مدل‌های معنایی فعال که به دنبال اتصال از طریق پروتکل MCP به ایجنت‌های پیشرفته‌ای نظیر Claude و ابزارهایی مانند Cursor هستند
• کاربران و سازمان‌های بهره‌بردار از بسترهای NVIDIA NIM و Agent Toolkit.

نحوه راه‌اندازی و شروع به کار

1. راهنمای رسمی پروژه را در مخزن گیت‌هاب Auto Ontology مطالعه کنید
2. مجموعه سرویس‌ها را با Docker Compose راه‌اندازی کرده، فراداده‌ها را به سیستم وارد کنید و اولین نسخه از آنتولوژی پایه‌ای را بسازید
3. با کمک کارشناسان کسب‌وکار، اصطلاحات و تعاریف را در رابط کاربری تأیید و نهایی کنید و سپس پروتکل MCP را به ایجنت خود متصل نمایید
4. از ابزارهایی مانند ask_question و check_answerable استفاده کرده و کدهای SQL تولیدشده به‌همراه پیشینه داده‌ها را بررسی کنید.