Nvidia – auto-ontologia de código aberto
O projeto de código aberto “auto-ontology” da Nvidia pretende ajudar empresas a construir ontologias de negócios legíveis por máquina a partir de bancos de dados e APIs dispersos, para que agentes de IA possam responder perguntas de dados com mais confiabilidade, interpretando de forma consistente conceitos como “cliente” ou “receita”. Os comentadores veem potencial para business intelligence, governança e redução de “conhecimento tribal”, mas muitos duvidam que adicionar ferramentas baseadas em LLM sobre modelos pouco confiáveis realmente resolva problemas de alucinação e controle de contexto. A recepção do projeto também é prejudicada por um README amplamente criticado como marketing gerado por IA e por dúvidas sobre como essa abordagem melhora tecnologias de semantic web já existentes, como RDF/OWL e SPARQL.
O que a “auto-ontologia” tenta fazer
- A ferramenta constrói uma ontologia de negócios legível por máquina: entidades, relacionamentos, métricas e em quais sistemas/tabelas elas estão.
- Objetivo: permitir que agentes mapeiem perguntas em linguagem natural como “itens mais vendidos em maio” para as tabelas, joins e métricas corretos em vários bancos de dados.
- Funções-chave mencionadas: introspecção de DB, catálogo central de metadados, geração de SQL a partir de linguagem natural, roteamento de consultas para as fontes corretas, combinação de resultados de múltiplas fontes, permissões.
Por que empresas podem se interessar
- A ontologia ajuda a resolver conceitos de negócio vagos (“cliente”, “receita”, “contas de teste”) que diferem entre equipes e sistemas.
- Captura “conhecimento tribal” (por exemplo, sempre excluir contas de teste) e força definições explícitas e versionadas.
- Muda engenheiros/cientistas de dados de escrever consultas pontuais manualmente para curar e corrigir a ontologia.
- É vista como uma camada de confiabilidade para BI / analytics e uma ferramenta de governança, não apenas um repositório de memória.
Confiabilidade, agentes e limites dos LLMs
- Céticos: empilhar agentes LLM pouco confiáveis arrisca compor erros; modelos atuais não conseguem restringir-se de forma confiável apenas aos fatos fornecidos e frequentemente vazam conhecimento externo/alucinam.
- Apoio: separar responsabilidades em (1) conversão de dados para ontologia e (2) consulta sobre uma ontologia estável pode reduzir variação, tornar erros inspecionáveis e restringir agentes a respostas SQL respaldadas por banco de dados.
- Analogias levantadas: TCP sobre IP, sistemas biológicos — comportamento confiável construído sobre componentes não confiáveis.
- Debate sobre se a falta de separação clara entre dados, instruções e conhecimento de mundo é inerente aos LLMs ou algo que pode ser corrigido com abordagens futuras.
Relação com outras tecnologias
- Comparado a “sistemas de memória”: isso é mais “white-box” e depurável; menos magia de política de RL, mais metadados e regras explícitas.
- Comparado ao semantic web (RDF/OWL/SPARQL): alguns argumentam que isso já resolve problemas semelhantes; outros observam que mecanismos e ferramentas SQL são mais maduros e que LLMs falam SQL de forma mais natural.
- Alternativas mencionadas: sistemas de conhecimento customizados (por exemplo, CAVE), outras ferramentas OSS de ontologia, stacks baseados em LPG/Cypher, abordagens simbólicas por regras (GOFAI) que se tornam densas demais em dados reais.
Preocupações práticas e ceticismo
- Esquemas reais frequentemente têm nomes de colunas enganosos e semântica implícita escondida no código do app e na cabeça dos analistas; não está claro até onde a extração automatizada de ontologia consegue superar essa lacuna semântica.
- Alguns veem isso como “epiciclos” em torno da instabilidade fundamental dos LLMs; outros como uma melhoria incremental realista.
Crítica ao README e à comunicação
- Muitos comentaristas acharam o README quase ininteligível, com aparência de “AI-slop”, cheio de jargões (“gates”) e diagramas pouco claros.
- Há um forte sentimento de que um texto ruim, aparentemente gerado e não editado por IA, mina a confiança na seriedade e na qualidade do projeto, embora uma minoria reaja que autoria por IA, por si só, não o torna ruim.