NVIDIA ha reso disponibile Auto Ontology, un framework open-source sviluppato in Python per costruire livelli semantici destinati agli agenti di intelligenza artificiale che devono interrogare database, interpretare informazioni aziendali e produrre risultati verificabili. La tecnologia è distribuita con licenza Apache 2.0 e permette di trasformare metadati, definizioni operative e relazioni tra entità in una struttura di conoscenza organizzata attraverso grafi. L’obiettivo è fornire ai modelli linguistici un riferimento esplicito sul significato delle informazioni prima che vengano generate interrogazioni SQL o formulate risposte basate sui dati. Un agente che deve calcolare il fatturato, per esempio, non può limitarsi a identificare le tabelle contenenti importi e date, ma deve conoscere quali operazioni costituiscono un ricavo, quali registrazioni devono essere escluse e quali definizioni siano state approvate dall’organizzazione. Auto Ontology introduce quindi un livello intermedio tra gli agenti e le sorgenti informative, con il compito di rappresentare il significato dei dati, le loro relazioni e la provenienza delle informazioni utilizzate.
Il framework costruisce una prima ontologia a partire dai metadati aziendali e può incorporare modelli semantici già esistenti, evitando di richiedere necessariamente una ricostruzione completa delle definizioni utilizzate nei sistemi informativi. Le informazioni vengono organizzate in entità, metriche e relazioni, permettendo di associare ai concetti aziendali le strutture tecniche attraverso le quali sono rappresentati nei database. Auto Ontology comprende procedure per individuare le definizioni disponibili, riconciliare eventuali incongruenze tra sistemi differenti e collegare le metriche alle rispettive fonti. La struttura generata deve essere successivamente esaminata e certificata dagli esperti aziendali, poiché l’identificazione automatica delle relazioni non garantisce da sola la correttezza delle interpretazioni. Una volta approvate, le definizioni possono essere utilizzate dagli agenti per costruire interrogazioni coerenti con le regole operative dell’organizzazione. Il framework prevede inoltre verifiche delle interrogazioni rispetto alle definizioni certificate e ai dati di provenienza, in modo da rendere possibile il controllo delle informazioni utilizzate per produrre una risposta.
Auto Ontology espone il contesto semantico attraverso interfacce API, strumenti a riga di comando e un server compatibile con Model Context Protocol, consentendo l’integrazione con differenti framework di agenti. Il server MCP permette ai sistemi esterni di interrogare il livello semantico senza dover accedere direttamente all’intera struttura dei database, mentre le funzionalità di consultazione e validazione rendono disponibili informazioni sulle entità, sulle relazioni e sulle query generate. L’architettura comprende un frontend web basato su Next.js, un backend FastAPI per le richieste conversazionali e la generazione di SQL dal linguaggio naturale, un componente di acquisizione dei dati e un database PostgreSQL con estensione pgvector per la memorizzazione del catalogo e delle rappresentazioni vettoriali. Il sistema utilizza queste ultime per recuperare informazioni semanticamente pertinenti, mentre ulteriori componenti di reranking contribuiscono a ordinare i risultati in base alla loro rilevanza. L’integrazione con NVIDIA NIM consente di utilizzare modelli dedicati al ragionamento, alla generazione di embedding e alla classificazione dei contenuti recuperati, mantenendo separati i compiti necessari alla preparazione della risposta.
Il framework comprende funzionalità per la gestione delle identità e delle autorizzazioni basate sui ruoli, oltre alla possibilità di distribuire i servizi in ambienti differenti. Per le installazioni locali è prevista una configurazione attraverso Docker Compose, mentre gli ambienti Kubernetes possono utilizzare i pacchetti Helm pubblicati da NVIDIA. La configurazione permette di collegare le sorgenti informative e definire gli endpoint dei modelli utilizzati durante l’elaborazione, adattando l’implementazione alle infrastrutture aziendali disponibili. Una componente importante riguarda il mantenimento delle definizioni semantiche nel tempo: le correzioni certificate dagli esperti e le informazioni sull’utilizzo possono essere incorporate nuovamente nell’ontologia, aggiornando il patrimonio di conoscenze condiviso dagli agenti. Questa procedura consente di evitare che ogni applicazione debba mantenere autonomamente una propria interpretazione delle metriche, riducendo il rischio che sistemi diversi producano risultati incompatibili utilizzando gli stessi database.
NVIDIA ha riferito una riduzione del 90% del tempo necessario alla costruzione delle ontologie nelle proprie valutazioni interne. Questo risultato riguarda la preparazione del livello semantico e non costituisce automaticamente una misura dell’accuratezza delle interrogazioni SQL generate dagli agenti. Per verificare quest’ultimo aspetto è disponibile un ambiente di valutazione che confronta l’esecuzione di un modello basato esclusivamente sulla struttura del database con quella di un agente che utilizza anche le informazioni dell’ontologia. Il sistema di test comprende configurazioni per benchmark text-to-SQL quali BIRD, Mini-Dev, FDABench-Lite e BEAVER, permettendo di confrontare i risultati delle interrogazioni con quelli attesi. Le prestazioni definitive in termini di accuratezza non sono tuttavia accompagnate da un insieme completo di risultati pubblici che permetta di quantificare il miglioramento in tutti gli scenari. Auto Ontology viene quindi proposto come componente infrastrutturale per migliorare il collegamento tra dati strutturati e sistemi agentici, con particolare attenzione alla coerenza delle definizioni, alla validazione dei risultati e alla possibilità di utilizzare una base semantica comune per diverse applicazioni aziendali.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)