NVIDIA place les définitions de métriques devant l'agent. Le difficile est là

Demandez à trois équipes de la même entreprise ce que veut dire le chiffre d'affaires. Vous obtiendrez trois définitions qui sonnent juste et ne concordent pas. La finance compte les commandes fermes. Les ventes comptent la valeur contractuelle. Le tableau de bord compte le revenu reconnu, net de remboursements, sur un calendrier changé au trimestre dernier.
Un agent capable d'écrire du SQL en deux secondes ne règle pas le problème. Il l'accélère.
Auto Ontology, chez NVIDIA, est une bibliothèque ouverte qui vise précisément cette défaillance. Elle construit une ontologie à partir des métadonnées de l'entreprise, réconcilie les définitions contradictoires entre systèmes, et sert le résultat à n'importe quel harnais d'agent via MCP, CLI et API. Apache 2.0, environ 8,900 stars, et un README qui commence par l'argument plutôt que par l'architecture : une métrique de revenu répondue plus vite ne vaut rien si le chiffre est faux.
Quatre verbes, une boucle
La bibliothèque est organisée autour de ce qu'elle fait au contexte.
Discover : générer une ontologie à partir des métadonnées, ou brancher un modèle sémantique existant. Ground : attacher un sens métier de confiance aux métriques, entités et relations, et réconcilier les définitions qui se contredisent. Validate : vérifier les requêtes générées contre les définitions certifiées et la lignée, et renvoyer la provenance avec chaque réponse. Expose : servir ce contexte via MCP, CLI et API.
Il y en a un cinquième, moins mis en avant : Learn. Les corrections et les usages reviennent dans l'ontologie, donc le contexte partagé s'améliore à l'usage.
Cette étape sépare l'outil du catalogue de données. Un catalogue est un document qui vieillit. Une couche qui ingère les corrections est un système qui peut rester juste, si quelqu'un prend la peine de corriger.
Ce qui se déploie
La pile est plus lourde qu'un outil en ligne de commande, et le README le dit.
Un front Next.js 16 avec Better Auth et Prisma sur le port 3000 porte l'interface, l'authentification et la passerelle API publique. Un back-end FastAPI sur 3001 fait tourner l'agent text-to-SQL et les API du catalogue et de l'ontologie. Un worker d'ingestion sur 3002 ingère les données tabulaires et écrit les embeddings. Un serveur FastMCP sur 3003 expose des outils en lecture seule. Postgres 17 avec pgvector sur 5432 héberge catalogue, ontologie, données applicatives et magasin vectoriel. HashiCorp Vault est optionnel, pour les identifiants de connexion.
L'inférence passe par NVIDIA NIM, hébergé ou auto-hébergé. Le déploiement se fait par chart Helm pour Kubernetes ou Docker Compose en local. Un parcours d'évaluation text-to-SQL BIRD existe dans un dépôt séparé.
La surface MCP est ce que la plupart des équipes toucheront vraiment. Neuf outils en lecture seule, séparés par usage : `check_readiness` dit si le déploiement peut répondre à quoi que ce soit, `search_terms`, `get_term` et `describe_table` gèrent la recherche, `check_answerable` demande si l'ontologie couvre une question avant que l'agent ne gaspille un appel, et `ask_question` renvoie ensemble réponse, SQL et lignes.
Ce trio est l'opinion de conception. Renvoyer le SQL avec la réponse permet d'auditer la requête, renvoyer les lignes permet de confronter l'agent à ce qu'il a affirmé. Un agent qui ne renvoie qu'un nombre est infalsifiable.
Le branchement tient en deux lignes. Pointez `AUTO_ONTOLOGY_API_URL` vers votre déploiement et lancez `uvx --from "git+https://github.com/NVIDIA/auto-ontology.git#subdirectory=mcp" auto-ontology-mcp`. Cursor reçoit `{"url": "http://localhost:3003/mcp"}` dans `mcp.json`. Claude Desktop se raccorde avec `mcp-remote`.
Les notes de sécurité sont la partie intéressante
Le README contient un paragraphe que la plupart des projets open source omettraient.
Gardez les ports 3001 et 3002 sur un réseau privé. Le back-end FastAPI fait confiance à l'identité que le front transmet dans l'en-tête `x-auto-ontology-user-id`. Les points de terminaison d'ingestion, dont ingest, delete, reset et compile, n'ont aucune authentification propre. Les clients sont censés passer par l'application web du port 3000.
Lisez cela comme une description d'architecture et un avertissement. La confiance dans une identité portée par en-tête est normale derrière un reverse proxy, et catastrophique si le back-end est joignable. Un point d'ingestion sans authentification, capable de supprimer et de réinitialiser, est une arme chargée pointée sur votre catalogue.
Les déploiements de démo documentés avec cette honnêteté ont généralement cette forme, et NVIDIA n'est pas la première équipe à en livrer un. L'intérêt, c'est que le projet le dise au lieu de vous laisser le découvrir.
Ce que ouvert ne veut pas dire ici
Le projet est en Apache 2.0 et n'accepte explicitement pas de contributions externes. L'équipe maintient le code, prend demandes d'intégration et bugs en issues, et fait passer les signalements de sécurité par un processus séparé.
C'est une posture délibérée qui revient de plus en plus : publier le code, garder la feuille de route. Pour une entreprise qui construit une couche de contexte analytique, le schéma d'ontologie et les compétences d'agent sont l'interface qu'elle veut contrôler, et accepter des patchs sur l'une ou l'autre ralentirait ce qui doit rester cohérent.
Conséquence pratique : vous pouvez lire chaque ligne et l'exécuter n'importe où, mais pas faire fusionner un correctif. Prévoyez de forker.
Un détail de plus. Auto Ontology est compatible avec Apache Ossie, un standard ouvert d'échange de modèles sémantiques, avec import et export via l'interface ou `POST /api/model/import` et `/api/model/export`. Si votre organisation maintient déjà des modèles sémantiques ailleurs, ce convertisseur fait la différence entre un projet de migration et un après-midi.
Il existe aussi un parcours prédictif optionnel via KumoRFM, un service hébergé. Activé, l'agent y téléverse les tables connectées, 20 tables par défaut et un nombre de lignes illimité sauf réglage contraire. Le README invite à vérifier ce qui est envoyé avant d'activer. Prenez-le au sérieux : c'est la seule fonction de la pile dont les données quittent votre réseau.
Pourquoi cette catégorie existe maintenant
L'analytique agentique sort d'une mauvaise année. Les agents capables d'interroger un entrepôt sont faciles à construire. Ceux qui renvoient le chiffre qu'un directeur financier signerait ne le sont pas, parce que la défaillance est silencieuse : un chiffre plausible, issu d'une requête plausible, sur une définition que personne n'a vérifiée.
Le correctif habituel a été l'ingénierie de prompt, demander au modèle d'être prudent. Le correctif durable est de lui donner un dictionnaire certifié et un validateur, et de refuser de répondre hors du cadre. `check_answerable` existe précisément pour que l'agent puisse décliner.
Devenir infrastructure ou rester implémentation de référence dépendra de l'adoption, elle-même liée au nombre d'entreprises dont le modèle sémantique est assez propre pour être importé. Ce nombre est plus petit que celui des entreprises qui croient que c'est leur cas.
La direction reste juste. La partie chère de l'analytique n'a jamais été le SQL. C'était de s'accorder sur le sens des colonnes, et de s'en souvenir six mois plus tard. Mettre cet accord dans le contexte de l'agent, avec la lignée attachée à chaque réponse, est la chose la moins glamour et la plus porteuse sortie cette semaine.
Articles associés
Une feuille de calcul communautaire de clics pour couper les publicités des Android chinois
Il ne touche pas au système, ne déverrouille rien, ne flashe rien. Il bascule un à un les interrupteurs que les fabricants ont déjà prévus. Le prix à payer, c'est la liste qu'il faut continuer d'écrire.
GPT Image 2.6 a tenu le prix des tokens et fait monter la facture
GPT Image 2.6 reprend chaque tarif au token de 2.5 et coûte malgré tout plus cher par image, parce qu'une part plus grande du travail se paie en tokens de sortie. Onze jours après le lancement, la grille tarifaire dit plus que le classement.
Quelqu'un a reconstruit IDM de l'extérieur et a écrit ce qu'il n'a pas touché
Une réimplémentation en Rust d'Internet Download Manager revendique 5 fois la vitesse et 86 langues. Le document le plus intéressant est le paragraphe qui explique comment elle a été construite sans rien copier.
Rune est un framework UI Rust conçu pour qu'un agent puisse vérifier son propre travail
Rune rend en headless, vide son arbre d'éléments et accepte des entrées scriptées, ce qui donne à un agent de codage un signal différable qu'aucune capture d'écran ne fournit. Le framework est en préversion et n'accepte pas de pull requests.