NVIDIA เปิดตัว Auto Ontology ปรับพื้นฐาน SQL ให้ AI Agent

NVIDIA เปิดตัว Auto Ontology ไลบรารีแบบเปิดภายใต้ใบอนุญาต Apache 2.0 ซึ่งเป็นเฟรมเวิร์กเลเยอร์ Semantic ที่สร้างเลเยอร์บริบทจาก metadata ขององค์กร ช่วยให้เอเจนท์สามารถเขียน SQL ตามนิยามทางธุรกิจที่ได้รับการรับรอง โดยมุ่งเน้นการแก้ปัญหาความผิดพลาดของข้อมูล เพราะคำตอบด้านรายได้ที่รวดเร็วจะไม่มีค่าเลยหากตัวเลขนั้นไม่ถูกต้อง

สรุปประเด็นสำคัญ (TL;DR)

• Library: เริ่มต้นด้วย nvidia/nemotron-3-nano-30b-a3b พร้อมโมเดล embedding และ reranking ของ Nemotron
• Runs on: รองรับ Docker Compose สำหรับ local stack หรือ Kubernetes ผ่าน Helm โดยใช้การ Inference ผ่าน NVIDIA NIM
• Performance: NVIDIA รายงานว่าช่วยลดเวลาในการสร้าง Ontology ลงถึง 90% จากการทดสอบภายใน
• Limitations: ยังไม่มีการเผยแพร่คะแนนความแม่นยำของ text-to-SQL อย่างเป็นทางการ ผู้ใช้ต้องรันผลการทดสอบ (benchmarks) ด้วยตนเอง
• Bottom line: เป็นเลเยอร์บริบทที่พร้อมใช้งานร่วมกับ MCP ให้เครื่องมือเอเจนท์ต่างๆ สามารถสอบถามข้อมูลได้อย่างมั่นใจ

NVIDIA Auto Ontology คืออะไร?

เครื่องมือนี้ทำหน้าที่เป็นเลเยอร์บริบทที่อยู่ระหว่างเอเจนท์และคลังข้อมูล (data warehouse) เพื่อบอกเอเจนท์ว่าข้อมูลอยู่ที่ไหน แต่ละฟิลด์หมายถึงอะไร ควรใช้งานอย่างไร และมีที่มาจากไหน โดยมีหน้าที่หลัก 5 ประการ ได้แก่ การค้นหา (Discover), การปรับพื้นฐานความหมาย (Ground), การตรวจสอบคิวรี (Validate), การให้บริการผ่านอินเทอร์เฟซต่างๆ (Expose) และการเรียนรู้จากการแก้ไข (Learn)

หน้าสำหรับนักพัฒนาของ NVIDIA ระบุว่าระบบจะสร้าง ontology เริ่มต้นให้ ซึ่งผู้เชี่ยวชาญด้านธุรกิจยังคงต้องเข้ามาทดสอบ ปรับแต่ง และให้การรับรองความถูกต้องในขั้นตอนสุดท้าย

กลไกการทำงานของ Auto Ontology

สแต็กนี้ประกอบด้วย 4 บริการหลัก คือ ส่วนหน้า (frontend) แบบ Next.js 16, ส่วนหลัง (backend) แบบ FastAPI พร้อม LangChain สำหรับจัดการ API, ตัวประมวลผลการนำเข้าข้อมูล (ingestion worker) และ Postgres พร้อม pgvector สำหรับจัดเก็บแคตตาล็อกและเวกเตอร์

ระบบรองรับฐานข้อมูลต้นทางที่หลากหลาย เช่น Databricks, Postgres, Snowflake หรือ DuckDB โดยสามารถเชื่อมต่อโมเดลผ่านจุดเชื่อมต่อที่รองรับรูปแบบ OpenAI ได้ทั้งหมด เพื่อทำหน้าที่ตั้งแต่วิเคราะห์เหตุผลไปจนถึงการจัดอันดับข้อมูล

การเข้าถึงข้อมูลผ่าน MCP Server

เอกสารของเซิร์ฟเวอร์ MCP อธิบายถึงเครื่องมือแบบอ่านอย่างเดียว (read-only) 9 รายการ เช่น ask_question ที่จะส่งคืนทั้งคำตอบ SQL และข้อมูลดิบแยกกัน โดยจำกัดผลลัพธ์ที่ 100 แถว และ check_readiness เพื่อยืนยันความพร้อมของเลเยอร์ semantic และการเชื่อมต่อฐานข้อมูล

NVIDIA ตั้งใจไม่ออกแบบเครื่องมือสำหรับเรียกดู schema ดิบ เพื่อบังคับให้เอเจนท์เข้าถึงข้อมูลผ่านเลเยอร์ semantic เท่านั้น โดยมีการควบคุมสิทธิ์การเข้าถึงผ่าน OAuth และกำหนดสิทธิ์ตามผู้ใช้ที่ลงชื่อเข้าใช้จริง

การทำ Benchmark และการเปรียบเทียบ

NVIDIA ได้ส่งเครื่องมือแยกชื่อ auto-ontology-eval เพื่อทดสอบเปรียบเทียบระหว่าง LLM ที่ดูเฉพาะ schema กับเอเจนท์ที่ยึดตาม ontology โดยใช้ชุดข้อมูลมาตรฐานอย่าง BIRD Dev และ Mini-Dev ในการวัดผลการรันที่แม่นยำ อย่างไรก็ตาม พื้นที่เก็บข้อมูลระบุว่ายังมีข้อจำกัดเรื่องตัวอย่าง few-shot และตัวยึดค่าที่ส่งผลต่อการวัดค่าความต่าง

เมื่อเปรียบเทียบกับเลเยอร์ Semantic อื่นๆ เช่น Wren AI หรือ Cube Core พบว่า NVIDIA Auto Ontology มีจุดเด่นที่การสร้างเลเยอร์อัตโนมัติจาก metadata และรองรับการเชื่อมต่อผ่าน MCP อย่างเต็มรูปแบบ ซึ่งช่วยเพิ่มความเร็วในการพัฒนาเอเจนท์ที่ต้องทำงานกับข้อมูลองค์กรที่ซับซ้อนได้อย่างมีนัยสำคัญ