Bir yapay zeka ajanını veri ambarına bağlamış her ekip aynı arızayı bilir. Ajan bir sayı döndürür. Hızlıdır, akıcıdır, biçimi doğrudur — ve yanlıştır. Dört saat yerine dört saniyede gelen bir gelir rakamı, "gelir" tanımı ajanın sütun adına dair tahmininden geldiyse hiçbir şey ifade etmez.
NVIDIA'nın Apache 2.0 lisansıyla GitHub'da yayımladığı yanıt, ajanı şemaya hiç yaklaştırmamak. Auto Ontology, kurumun üzerinde zaten fikir sahibi olduğu varlıklardan, metriklerden, ilişkilerden ve veri soyundan bir anlamsal katman kuruyor ve ajana yalnızca bu katmanı açıyor. Depo, sorunu süssüz biçimde yazıyor: güvenilirlik, ajan tabanlı analitiğin önkoşulu.
Kütüphane beş iş yapıyor. Metadan ontolojiler üretiyor ve mevcut anlamsal modelleri bağlıyor. Sistemler arasında çelişen tanımları uzlaştırarak bunları yere basıyor. Üretilen sorguları onaylanmış tanımlara ve veri soyuna karşı doğruluyor, her yanıtla birlikte kaynağını döndürüyor. Sonucu MCP, bir CLI ve REST API üzerinden sunuyor. Ve öğreniyor: insanların onayladığı düzeltmeleri ortak bağlama geri katıyor.
Asıl ilginç olan, bilinçli olarak dışarıda bırakılan şey. MCP sunucusu dokuz salt-okunur araç sunuyor ve aralarında ham şemaya göz atmanın hiçbir yolu yok. Bu bir gözden kaçırma değil, tasarım kararı: ajan veriye anlamsal katmandan ulaşır ya da hiç ulaşmaz. `ask_question` yanıtı, SQL'i ve satırları bir düzyazı paragrafı olarak değil üç ayrı alan olarak döndürüyor ve sonucu 100 satırla sınırlıyor. Arkasında yayımlanan OpenAPI tanımı 87 işlem listeliyor; her çağrı oturum açmış kullanıcının yetkilerini taşıyor.
Yığın, en iyi anlamıyla sıradan. Next.js 16 tabanlı ön yüz 3000 portunda arayüzü ve kimlik doğrulamayı yönetiyor; LangChain kullanan FastAPI arka ucu 3001'de sohbeti ve doğal dilden SQL'e çeviriyi çalıştırıyor; bir veri alma işçisi 3002'de gömme vektörleri yazıyor; pgvector'lü Postgres ise 5432'de kataloğu, ontolojiyi ve vektörleri tutuyor. Kimlik bilgileri HashiCorp Vault'a gidebiliyor — bunu not etmek gerekir, çünkü Vault olmadan bağlantı dizeleri katalog satırında parolasıyla birlikte düz metin olarak saklanıyor. Kaynak veritabanları Databricks, Postgres, Snowflake veya DuckDB olabiliyor. Çıkarım varsayılan olarak NIM uç noktaları üzerinden NVIDIA'nın kendi Nemotron ailesini kullanıyor, ama OpenAI uyumlu her uç nokta çalışıyor.
Bir de kanıt boşluğu var. NVIDIA, kendi testlerinde ontoloji kurma süresinin %90 düştüğünü bildiriyor. Text-to-SQL doğruluk skorlarından ise hiç yayımlamıyor. Kardeş bir depoda ayrı bir ölçüm koşum takımı geliyor — 11 veritabanında 1.534 soruluk BIRD Dev, 500 soruluk Mini-Dev, FDABench-Lite ve 100 soruluk BEAVER örneklemi — ve puanlama, LLM hakem yerine deterministik yürütme eşleşmesiyle yapılıyor; bu doğru tercih. Ama koşum takımı sonuç üretmeye bir davettir, sonucun kendisi değil.
Aynı koşum takımı kendi iki uyarısını da belgeliyor; temiz bir rakamdan daha nadir ve daha inandırıcı olan şey bu. İsteğe bağlı az-örnekli örnekler ve değer çıpaları yalnızca ontoloji koluna veriliyor, yani ölçülen her fark bu girdileri de içeriyor, tek başına yere basmayı değil. Ve test edilen yapılandırma iki kolu da NVIDIA'nın çıkarım geçidi üzerinden bir Claude modeline yönlendiriyor — karşılaştırmayı kendi modellerinde tekrarlamayı planlayan herkes için önemli bir ayrıntı.
Proje ayrıca dışarıdan katkı kabul etmiyor; bakımcı ekibi dışından gelen birleştirme istekleri incelenmeyecek. Altyapı olarak konumlandırılmış bir Apache 2.0 sürümü için dikkat çekici bir duruş: okumaya açık, çalıştırmaya açık, yön vermeye kapalı.
NVIDIA'nın gerçekte teslim ettiği şey, güvenilirlik sorununun nerede yaşadığına dair iyi kurulmuş bir argüman. Beş işlev, ajan tabanlı analitiğin gerçek arıza biçimlerinin üzerine temiz oturuyor ve ham şemayı açmamak, ancak yanmış olmaktan gelen bir kısıt. Deponun açık bıraktığı soru, benimsemeyi belirleyecek tek soru: katman iyi mimariye sahip mi değil, sayıları doğru çıkarıyor mu. Bu yanıtı artık koşum takımını kendisi çalıştıran ekiplerin vermesi gerekiyor.
