انویدیا با ابزار Auto Ontology مانع تحلیل داده‌های نادرست توسط ایجنت‌های هوش مصنوعی شد

شرکت انویدیا فریمورک متنباز جدیدی به نام Auto Ontology را در زبان پایتون منتشر کرده است که هدف آن افزایش چشمگیر قابلیت اطمینان کدهای SQL تولیدشده توسط مدل‌های زبانی بزرگ است. این فریمورک یک لایه معنایی مبتنی بر گراف روی پایگاه‌های داده سازمانی ایجاد می‌کند تا ایجنت‌های تحلیلگر به تعاریف تأییدشده، روابط ساختاریافته و پیشینه داده‌ها دسترسی داشته باشند، نه اینکه مجبور شوند مفهوم اطلاعات را صرفاً بر اساس نام ستونها حدس بزنند.

این پروژه تحت مجوز متنباز Apache 2.0 عرضه شده است و از استقرار در محیطهای محلی و کلاسترهای Kubernetes پشتیبانی می‌کند.

چرا کوئریهای بدون خطای SQL هم با شکست مواجه میشوند؟

بازیابی ساختار پایگاه داده شاید به ایجنت هوش مصنوعی کمک کند کدهای SQL بدون خطای نحوی بنویسد، اما خروجی نهایی ممکن است فیلد درآمدی اشتباهی را بخواند، شاخصهای ناسازگار را با یکدیگر ترکیب کند یا قوانین گزارشگری سازمان را نادیده بگیرد. بنابراین، یک کوئری کاملاً سالم از نظر دستوری، هیچ تضمینی در برابر خطاهای مفهومی و معنایی ارائه نمی‌دهد.

فریمورک Auto Ontology یک لایه معنایی میان ایجنت هوش مصنوعی و انبار داده سازمانی قرار می‌دهد. این نقشه خوانا برای ماشین، بهطور دقیق ثبت می‌کند که هر داده در کجا قرار دارد، فیلدها و شاخصها چه مفهومی دارند، چگونه باید استفاده شوند، از چه منبعی آمدهاند و با چه مفاهیمی ارتباط دارند. این فریمورک لایه مذکور را از متادادهها، آنتولوژیها و مدل‌های معنایی موجود تولید می‌کند و سپس آن را از طریق پروتکل Model Context Protocol، رابط خط فرمان و رابط برنامه‌نویسی REST API دردسترس قرار می‌دهد.

جریان کاری این فریمورک در مراحل مشخصی سازماندهی شده است:

• کشف (Discover): استخراج خودکار آنتولوژیها از متادادههای سازمانی، اتصال به مدل‌های معنایی موجود و ساخت یک گراف دانش جامع که برای ایجنت‌های هوش مصنوعی قابلفهم باشد.
• تطبیق مفهومی (Ground): اتصال دقیق پرسش‌های کاربر به شاخصها، موجودیتها و روابط اعتبارسنجیشده در کنار برطرف کردن تعاریف متناقض میان سیستم‌های گوناگون.