Kurzfassung
NVIDIA Auto Ontology baut eine semantische Schicht über Unternehmensdatenbanken: Geschäftsbegriffe, SQL-Ausdrücke und Tabellenbeziehungen sollen Agenten helfen, Kennzahlen passend zur fachlichen Bedeutung abzufragen. Der Ablauf besteht aus drei Schritten: automatisch erzeugen, menschlich prüfen und zertifizieren, anschließend Fragen beantworten. SQL und Verarbeitungsschritte machen Ergebnisse kontrollierbar. Sie garantieren aber weder fachliche Richtigkeit noch einen vollständig durchgesetzten Freigabeprozess. Für Daten- und BI-Teams ist das ein Ansatz für einen kontrollierten Pilotversuch, kein fertiger Ersatz für geprüfte Berichte.
Was ist NVIDIA Auto Ontology?
„Wie viel Umsatz hat dieses Produkt in dieser Region gemacht?“ Die Frage klingt einfach. Die Datenbank kann dazu trotzdem Rechnungspositionen, Lagerbewegungen, Retouren und archivierte Kundendaten anbieten. Ein gültiges SQL-Statement kann auf der falschen Grundlage rechnen und eine plausible Zahl zurückgeben.
NVIDIA Auto Ontology setzt zwischen Geschäftsfrage und Datenbank eine semantische Schicht. Sie beschreibt, welche Daten einen Begriff abbilden und wie sie zusammenhängen. Das Projekt liefert dafür nicht nur eine Python-Bibliothek, sondern einen betreibbaren Stack mit Weboberfläche, FastAPI-Diensten, PostgreSQL und pgvector sowie Agentenzugriff über MCP und API.
| Kerndatum | Einordnung |
|---|---|
| Lizenz | Apache-2.0 laut README; externe Pull Requests werden derzeit nicht angenommen |
| Paketversion | 1.2.0 in pyproject.toml, nicht gleichbedeutend mit einem veröffentlichten GitHub-Release |
| GitHub-Aufmerksamkeit | Rund 10.800 Stars im API-Snapshot vom 9. November 2026; kein Nutzer- oder Qualitätsnachweis |
| Datenquellen | Zehn dokumentierte Engines, darunter PostgreSQL, Snowflake, Databricks und DuckDB; unterschiedliche Anbindungswege |
| Kosten | Keine Lizenzgebühr für den Apache-lizenzierten Code; Infrastruktur, Modelle und Fachreview bleiben Aufwand |
Die folgende Einordnung basiert auf Dokumentation, Quellcode und einem gekennzeichneten Fremdbericht. Sie ist kein eigener Installations- oder LLM-Praxistest.
Wie wird aus einem Datenbankschema prüfbare Geschäftslogik?
Laut Architekturbeschreibung speichert die Ontologie drei Definitionsarten:
| Definitionsart | Inhalt | Zweck |
|---|---|---|
| Terms | Geschäftsbegriffe mit Beschreibung, Synonymen und Spaltenzuordnung | „Kunde“ mit den passenden physischen Daten verbinden |
| SQL attributes | Wiederverwendbare SQL-Ausdrücke unter einem Begriff | Die Berechnung einer Kennzahl explizit hinterlegen |
| Relationships | Beziehungen und Joinpfade zwischen Tabellen | Benötigte Daten über passende Verknüpfungen erreichen |
Generate: einen Entwurf erzeugen
Der Ingestion-Service liest Schemas, Spaltenprofile und Beispielwerte. Daraus leitet das System Begriffe und Beziehungen ab; SQL-Attribute können aus der Abfragehistorie vorgeschlagen werden. Definitionen landen in PostgreSQL, Embeddings für die Suche in pgvector.
Das kann die erste Modellierungsarbeit unterstützen. Eine im Schema vorhandene Verbindung erklärt allerdings noch nicht, ob sie für eine konkrete Geschäftskennzahl die richtige ist.
Certify: fachliche Definitionen prüfen
Menschen testen echte Fragen, korrigieren Begriffe, Beschreibungen und SQL-Attribute und zertifizieren Namen, Beschreibungen und SQL-Attribute. Beziehungen gehören zum Modell; daraus folgt nicht automatisch ein eigenes Zertifizierungsverfahren für Beziehungen.
Als redaktionelles Beispiel: Bei „Nettoumsatz“ musst du festlegen, wie Stornos und Retouren behandelt werden, welche Währung gilt, welches Datum zählt und auf welcher Ebene aggregiert wird. Diese Entscheidungen kann ein Modell nicht zuverlässig aus Spaltennamen ableiten. Der fachliche Verantwortliche muss sie gegen Referenzabfragen prüfen.
Wichtig: Die offizielle Publication-Referenz schränkt die Zertifizierung ausdrücklich ein. Die vorhandenen Felder sind kein atomarer Review- und Freigabeprozess. Ein Zertifizierungsstatus ersetzt deshalb nicht den Nachweis, welcher geprüfte Definitionsstand tatsächlich verwendet wird.
Answer: abfragen und kontrollieren
Der Agent analysiert die Frage, sucht passende Begriffe, Spalten und SQL-Attribute per Retrieval, erzeugt SQL und durchläuft Prüf- und Reparaturschritte. Anschließend liefert er Antwort, SQL und Verarbeitungsschritte zurück.
Der Nutzen ist konkret: Du kannst kontrollieren, ob die richtige Tabelle verwendet wurde, alle verlangten Filter enthalten sind und die Aggregation zur Kennzahl passt. Dafür muss allerdings jemand SQL und Geschäftslogik beurteilen können.
Wie startest du einen kontrollierten Versuch?
Der offizielle Quickstart nutzt Docker Compose v2, uv, einen NVIDIA-API-Key und Microsofts Beispieldatenbank Wide World Importers. Das ist ein dokumentierter Einstieg, keine hier ausgeführte Produktivinstallation.
- Klone das Repository und kopiere
.env.examplenach.env. Ersetze Standardpasswörter und Authentifizierungsgeheimnisse. Prüfe auch die API-Key-Platzhalter der einzelnen Modellrollen, nicht nur den gemeinsamen Standardwert. - Starte die Katalogdatenbank und lade die Beispieldaten nach der Quickstart-Anleitung. Verwende dafür eine isolierte Umgebung, nicht eine bestehende produktive Datenbank.
- Baue und starte den restlichen Compose-Stack. Öffne die im Quickstart dokumentierte Oberfläche unter
http://localhost:3000und melde dich mit deinem selbst konfigurierten Administratorkonto an. - Aktiviere unter „Settings → Semantic Compilation“ die semantische Kompilierung. Prüfe anschließend Begriffe, Spaltenzuordnungen und SQL-Attribute, bevor du Ergebnisse übernimmst.
- Stelle im Chat eine Geschäftsfrage mit bekannter Referenzantwort. Vergleiche SQL, Ergebnis und Erklärung. Für eigene Quelldaten verwendest du einen Datenbankbenutzer mit reinen Leserechten; die interne App-Datenbank benötigt weiterhin Schreibrechte.
Für externe Agenten bietet der MCP-Server unter anderem check_readiness, check_answerable und ask_question. Die erste Prüfung betrifft die Betriebsbereitschaft, die zweite die semantische Abdeckung einer Frage. Keine davon bestätigt, dass die spätere Kennzahl fachlich richtig berechnet wird.
Was unterscheidet Auto Ontology von Text-to-SQL, RAG und OKF?
Die relevante Unterscheidung ist nicht „mehr Kontext gegen weniger Kontext“, sondern: Wie wird Bedeutung modelliert, geprüft und bei einer Abfrage verwendet?
| Ansatz | Was er bereitstellt | Was du zusätzlich absichern musst |
|---|---|---|
| Direktes Text-to-SQL | Ein Modell erzeugt SQL aus Frage und Schema | Kennzahldefinition, Tabellenwahl, Filter und Ergebnis |
| RAG-gestütztes Text-to-SQL | Abgerufene Dokumente, Definitionen oder Beispiele ergänzen die Frage | Qualität und tatsächliche Verwendung der abgerufenen Regeln |
| Auto Ontology | Generierte und kuratierte Begriffe, Beziehungen und SQL-Attribute plus Abfrageworkflow | Fachreview, verwendeter Definitionsstand und Ergebnisrichtigkeit |
| OKF | Dateikonvention für strukturiertes Unternehmenswissen | Ausführende Anwendung, Datenzugriff und Abfrageprüfung |
Auto Ontology nutzt selbst Embeddings und Retrieval. Es ist deshalb kein Gegenmodell zu RAG, sondern ein spezialisierter Stack, der Retrieval mit semantischem Modell und SQL-Verarbeitung verbindet.
Der bestehende Guide zum Open Knowledge Format behandelt dagegen eine Wissenskonvention auf Dateibasis. Ein beschriebenes SQL-Konzept ist noch keine laufende Abfragepipeline. Die konzeptionelle Nähe bedeutet auch keine automatische technische Integration. Für dokumentenbasiertes Wissen bietet der Beitrag zum LLM-Wiki-Konzept die passendere Vertiefung.
Wie belastbar sind Zertifizierung und SQL-Prüfung?
Prüfbarkeit ist eine Voraussetzung für Kontrolle, kein Korrektheitsbeweis. Auch eine sauber erklärte Abfrage kann eine fachlich falsche Mengenbasis verwenden oder eine Region vergessen.
Nicht jede Prüfung läuft standardmäßig
Der SQL-Validierungscode kombiniert deterministisches Parsing und statische Checks mit einer LLM-gestützten Prüfung der Frageabsicht. Die gesamte Validierung ist also nicht deterministisch.
Zusätzliche proaktive Prüfungen sind laut Konfiguration standardmäßig ausgeschaltet:
| Schalter | Zusätzliche Prüfung |
|---|---|
DB_PROBE_PROACTIVE | Filterliterale vor der Ausführung gegen Datenwerte prüfen |
DB_PROBE_JSONB_PATH_CHECK | JSONB-Schlüsselpfade prüfen, nur für PostgreSQL |
DB_PROBE_JOIN_PATH_CHECK | Vorgeschlagene Joinpfade prüfen |
Das heißt nicht, dass ohne diese Schalter keine SQL-Prüfung stattfindet. Es heißt, dass du Prüfversprechen immer zusammen mit den tatsächlich aktivierten Funktionen bewerten musst. Auch aktivierte Probes beweisen keine korrekte Umsatzdefinition.
Was ein Fremdtest tatsächlich zeigt
Andreas Nigg von Pondhouse Data berichtet über vier Analysefragen: zwei richtig, zwei mit falschem SQL. Beim Produktumsatz fehlte der Pennsylvania-Filter. Bei der verkauften Menge wurden Lagerbewegungen statt Rechnungspositionen verwendet.
Der Bericht erschien am 5. November 2026 und bezieht sich auf den Teststand vom 4. November, Commit 2a24f5d, Paketversion 1.1.0. Der Daten- und KI-Beratungsanbieter verwendete gehostete Modelle und eigene Workarounds. Die Begriffe waren noch nicht fachlich freigegeben; ein Vorher-nachher-Vergleich der Zertifizierung fehlt.
Das ist ein konkreter Warnhinweis für automatisch erzeugte Entwürfe, keine allgemeine Fehlerquote und kein Beleg gegen eine fertig kuratierte Schicht. Die Ergebnisse wurden hier nicht nachgemessen.
Was die Hersteller-Evaluation isoliert und was nicht
Das Eval-Repository von NVIDIA vergleicht einen einzelnen Schema-Prompt ohne Tools mit dem Auto-Ontology-Agenten inklusive Retrieval, Validierung und Reparatur. Der Ergebnisvergleich gegen Referenz-SQL ist deterministisch.
Ein gleicher Modellname macht daraus aber keinen reinen Ontologie-an/aus-Test: Agentenschleife, Werkzeugzugang und Aufrufbudget unterscheiden sich. Gemessen wird ein Systemvergleich. Für den isolierten Beitrag der semantischen Schicht brauchst du zusätzliche Versuche mit identischem Agenten und Budget.
Welche Betriebs- und Datenschutzgrenzen bleiben?
Datenbankrechte setzt du an der Datenbank durch. „Read-only MCP“ beschreibt die angebotenen Werkzeuge, nicht automatisch eine wirksame SQL-Sandbox. Im historischen Pondhouse-Test wurde laut Autor sogar ein DELETE erzeugt und ausgeführt; Fremdschlüssel verhinderten die Löschung. Das ist kein hier reproduzierter Sicherheitsbefund am aktuellen Stand.
Dazu kommen konkrete Betriebsanforderungen aus den Primärquellen:
- Interne Dienste abschotten: Backend und Ingestion gehören laut README ins private Netz. Der Zugriff soll über das öffentliche Anwendungsgateway erfolgen.
- Zugangsdaten schützen: Ohne Vault speichert das System UI-Verbindungsobjekte einschließlich Kennwort unverschlüsselt im Katalog-Postgres. Eine unvollständige Vault-Konfiguration fällt laut Verbindungsdokumentation auf diese Speicherung zurück.
- Modellrollen einzeln prüfen: Reasoning, Extraktion, Embeddings und Reranking können externe Endpunkte verwenden. Metadaten, Beispielwerte, Fragen und im Kontext verwendete Ergebnisse können dadurch externe Anbieter erreichen. Eine eigene Docker-Installation bedeutet keinen netzlosen Betrieb.
- Vorhersagen separat freigeben: Der optionale Vorhersagepfad wird im aktuellen Code beim Start über
KUMO_RFM_API_URLaktiviert, nicht allein überKUMO_RFM_API_KEY. Der Schlüssel ist optional. Prüfe vor der Freigabe den konfigurierten Endpunkt und die Verarbeitung der dafür eingelesenen Tabellendaten. Ohne Datenfreigabe lässt duKUMO_RFM_API_URLungesetzt.
Selbst gehostete oder kompatible Modellendpunkte sind konfigurierbar. DSGVO-Konformität folgt daraus nicht automatisch: Datenflüsse, Verträge und Berechtigungen bleiben deine Prüfaufgabe.
Wie misst du den Nutzen im eigenen Team?
Mein Vorschlag ist ein begrenzter Pilot, keine hier bereits ausgeführte Messung:
- Referenzen festlegen: Datenverantwortliche definieren Geschäftsfragen, Kennzahlen und Referenz-SQL. Nimm Randfälle wie Retouren, Doppelzählungen und fehlende Daten auf.
- Vergleich fair halten: Nutze denselben Datenstand und dieselben Modelle. Trenne einen vollständigen Systemvergleich vom Ontologievergleich mit gleichem Agenten, Werkzeugen und Aufrufbudget.
- Reviewbeitrag messen: Vergleiche automatisch erzeugte Definitionen mit dem identischen Stand nach dokumentierter Fachprüfung. Halte zusätzliche, zuvor ungenutzte Testfragen zurück.
- Fehler sichtbar lassen: Zähle richtige Antworten, stille Falschantworten, berechtigte und unberechtigte Ablehnungen sowie technische Ausfälle getrennt. Berichte nicht nur den Erfolg unter den beantworteten Fragen.
- Gesamtaufwand erfassen: Miss Antwortzeit und Kosten je fachlich richtigem Ergebnis sowie Review- und Pflegezeit. Wiederhole die Prüfung nach Schema- und Definitionsänderungen.
Der entscheidende Nachweis ist nicht, dass ein Agent SQL ausgibt. Er muss deine Geschäftsfrage nach den vereinbarten Regeln beantworten oder seine Grenze erkennbar machen.
FAQ: Häufig gestellte Fragen zu NVIDIA Auto Ontology
Ersetzt Auto Ontology ein BI-System?
Nein. Es ergänzt den Zugriff auf Daten um semantischen Kontext und einen agentischen Abfrageworkflow. Geprüfte Berichte und fachliche Kennzahlverantwortung werden dadurch nicht überflüssig.
Macht eine zertifizierte Kennzahl jede Antwort korrekt?
Nein. Zertifizierung dokumentiert geprüfte Bestandteile, aber keinen vollständigen atomaren Freigabeprozess. Tabellenwahl, Filter und Aggregation der konkreten Antwort musst du weiterhin kontrollieren.
Muss ich NVIDIA-gehostete Modelle verwenden?
Nein. Der dokumentierte Standard nutzt NVIDIA-Endpunkte; selbst gehostete NIMs und kompatible Endpunkte sind konfigurierbar. Prüfe die Anforderungen der jeweiligen Modellrolle, insbesondere strukturierte Ausgaben und konsistente Embeddings.
Lohnt sich Auto Ontology für reines Dokumentenwissen?
Der hier beschriebene Nutzen liegt bei strukturierten Daten und SQL. Für ein reines Dokumentenwiki ist dieser komplette Stack kein naheliegender Einstieg.
Woran erkenne ich einen sinnvollen Pilotversuch?
An verfügbaren Referenzabfragen, klaren Kennzahlverantwortlichen und einer isolierten Datenumgebung. Ohne diese Grundlagen lässt sich eine plausible Antwort kaum belastbar von einer richtigen unterscheiden.


Fazit
Auto Ontology ist für Datenteams interessant, die semantische Definitionen aufbauen und Agentenantworten anhand von SQL kontrollieren wollen. Ich würde es mit klarer Fachverantwortung pilotieren, aber weder Zertifizierungsfelder noch sichtbare Prüfschritte als Korrektheitsgarantie behandeln. Für die Abgrenzung zu dokumentiertem Wissen helfen der OKF-Guide und die Erklärung des LLM-Wiki-Konzepts.
Quellen
Primärquellen
- NVIDIA: README, Architektur und Quickstart, Produktstand
c447003f. - NVIDIA: Paketversion und GitHub-API für Projektmetadaten.
- NVIDIA: Publication-Referenz zu Freigabegrenzen.
- NVIDIA: SQL-Validierung, DB-Probe-Konfiguration und Umgebungsvariablen.
- NVIDIA: Verbindungen und Zugangsdaten sowie MCP-Dokumentation.
- NVIDIA: Auto-Ontology-Eval und Versuchsaufbau, Eval-Stand
ec41b2c5.
Externer Praxisbericht
- Andreas Nigg, Pondhouse Data: Text-to-SQL mit semantischer Schicht: NVIDIA Auto Ontology im Test. Bericht eines Daten- und KI-Beratungsanbieters, kein eigener Test dieses Artikels.
Recherche-Notebook: Auto-Ontology-Quellensynthese in NotebookLM. Synthesehilfe, kein unabhängiger Faktenbeleg.
Quellenstand: 9. November 2026. Dokumentations- und Quellcodeanalyse; keine eigene Modellmessung oder kontrollierte Replikation.