NVIDIAが「Auto Ontology」をオープンソース化：社内データの誤認を防ぐAI推論レイヤー

大規模言語モデルに社内データベースを直接検索させると、しばしば深刻なトラブルを引き起こします。「先期の特定地域の売上」を尋ねた場合、AIは文法的に完璧なSQLを組み立てますが、データベース内にその名前の項目が存在しないことが多いため、自信満々に誤った数値を算出してしまうことがあります。

売上という言葉ひとつ取っても、受注日基準なのか、出荷日基準なのか、あるいは請求日基準なのか、AIには判断できません。NVIDIAがオープンソースとして公開したAuto Ontologyは、まさにこの業務定義のズレを解消するために開発されました。

業務指標の暗黙知をグラフ構造で可視化する

Auto Ontologyは、Apache 2.0ライセンスで提供されるPythonフレームワークです。単に自然言語をSQLに翻訳するのではなく、企業データとエージェントの間に意味論的な推論レイヤーを自動構築します。

システムはデータベースのメタデータを自動的に読み取り、テーブル構造や業務エンティティの関連性を整理してナレッジグラフを生成します。これにより、バラバラになりがちな指標定義を統一的なオントロジーとして管理できます。

日常的な自然言語で質問が投げられると、システムは認証済みの定義と照合した上でSQLを生成します。もし広告費用対効果を求める質問に対して必要な支出データが不足している場合、AIは勝手に数値をでっち上げることなく、情報が不足している旨を通知します。回答には常にSQLとデータの出所が添えられるため、監査も容易です。

また、業務担当者がUI上で指標の定義やテーブルの関連付けを修正すると、その訂正内容が本体にフィードバックされ、使えば使うほど推論精度が向上する仕組みを備えています。

実用性を重視したシステム構成とMCP連携

実装面でも実運用を意識したスタックが選ばれています。フロントエンドにはNext.js 16とBetter Authを採用し、バックエンドはFastAPIとLangChainで構成され、メタデータやベクトルデータはpgvectorを組み込んだPostgreSQLで管理されます。

推論基盤としてはNVIDIA NIMと連携し、Nemotron-3をはじめとするモデルがエンティティ抽出やSQL生成を担います。接続認証情報の安全な管理のためにHashiCorp Vaultもサポートしています。

さらに、Model Context Protocolにも対応しているため、付属のWeb画面だけでなく、CursorやClaude Desktopといった外部のエージェント環境から社内データを安全に呼び出すことが可能です。なお、現時点でプロジェクトは外部からのコードコントリビューションを受け付けていません。

なぜ重要か

私たちは、この取り組みがエンタープライズAIの実用化における最大のボトルネックを的確に捉えていると考えています。社内データ活用でAIが失敗する原因の多くは、モデルの性能不足ではなく、社内用語や指標ルールの不一致にあるからです。

企業やデータアナリストにとって、これまで担当者の頭の中にしかなかった暗黙知を、AIが再利用できるインフラへと昇華できる価値は絶大です。部門ごとに指標の解釈が食い違い、数字の突き合わせに追われていた時間を大幅に削減できます。

業界全体から見れば、NVIDIAは単にGPUを売るだけでなく、業務システムに不可欠なソフトウェア層を急速に固めに来ています。NIMやNemotronと一体化したソリューションを提供することで、自社エコシステムへの囲い込みをより強固にする狙いが見て取れます。

ただし、元の社内データが整理されておらず命名規則も崩壊している場合、初期に自動生成されるオントロジーの精度にも限界があります。最終的には人間による定義の確認とデータガバナンスが不可欠である点には留意すべきです。