Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Inteligencia artificial · github.com
Nvidia – Auto Ontology, una librería open source de ontologías automáticas
NVIDIA publica Auto Ontology, un framework en Python con licencia Apache 2.0 que construye una capa semántica basada en grafos sobre los metadatos de una empresa. Su objetivo es que los agentes de IA consulten bases de datos con definiciones coherentes y respuestas verificables.
Foto: vía github.com
1 medio · MadridPublicada 3 nov, 09:10Actualizada 3 nov, 15:35· Ya no está en portadaEscrita por IA · cómo funciona
Auto Ontology parte de la idea de que un agente puede recuperar documentos y consultar bases de datos, pero que la fiabilidad es el cuello de botella del análisis con agentes: una métrica de ingresos respondida más rápido no vale nada si el número es incorrecto. La librería genera ontologías empresariales a partir de metadatos, concilia las definiciones entre sistemas y expone ese contexto a cualquier agente mediante MCP, CLI y API. Según el proyecto, complementa los modelos semánticos que el cliente ya tiene.
El flujo se organiza en cinco verbos: descubrir (generar ontologías y grafos de conocimiento), fundamentar (dar a los agentes el significado de negocio de métricas, entidades y relaciones), validar (comprobar las consultas generadas contra definiciones certificadas y su linaje, con procedencia en cada respuesta), exponer y aprender (incorporar correcciones certificadas y el uso a la ontología). Permite consultar datos estructurados en lenguaje natural: las preguntas se traducen a SQL y se ejecutan contra las bases conectadas. Para evaluar text-to-SQL, como en BIRD, remite a un repositorio aparte.
Técnicamente, el frontend usa Next.js 16, React 19 y Better Auth; el backend, FastAPI y LangChain; y hay un worker de ingesta que escribe embeddings. El catálogo y la ontología se guardan en Postgres con pgvector. La inferencia usa endpoints de NVIDIA NIM, ya sea el catálogo alojado o NIMs propios, con modelos Nemotron por defecto para el LLM, los embeddings y el reranking. Las fuentes de datos admitidas son Databricks, Postgres, Snowflake y DuckDB.
Se despliega con Docker Compose o con un chart de Helm para Kubernetes. Incluye RBAC, SSO y tokens de API. Las credenciales de conexión creadas desde la interfaz se guardan en texto plano en Postgres salvo que se configure HashiCorp Vault. El proyecto, de momento, no acepta contribuciones externas.
«Nvidia – open-source auto-ontology» · puesto 27 · 241 puntos · enviado por campervans
Lo que dicen los comentarios
Los comentarios se reparten entre el recelo y las dudas de fondo. Varios critican el estilo del texto de presentación, que suena a redactado por un LLM, y otros dudan de arreglar agentes poco fiables con más agentes, aunque se responde que combinar sistemas imperfectos puede reducir el error. Hay quien pregunta por la diferencia con un sistema de memoria o con RDF/OWL/SPARQL, y se explica que la ontología es una especificación legible por máquinas de qué significan los datos de una empresa («cliente», por ejemplo) y cómo se relacionan. También se aclara que la clave de NVIDIA solo hace falta si se usan sus endpoints alojados, y no si se alojan los modelos. Un comentario pide, con sarcasmo, abrir antes las librerías de usuario de NVIDIA.
Puede ser muy útil, pero Claude me ha estropeado y me da una reacción visceral el «gates» de la primera frase; no pude seguir. Si vale la pena construir y compartir una herramienta, también vale la pena resumirla con palabras propias.
Según cómo combines sistemas imperfectos, puedes reducir o aumentar la tasa de error. Se han construido sistemas enormes con personas falibles; el objetivo rara vez es eliminar todos los errores, sino tener algo útil aunque algo pueda fallar.
En una empresa, ¿qué significan realmente los datos? ¿Qué es un cliente: quien ha comprado o cualquiera que pueda comprar? Una ontología es una especificación precisa, legible por máquinas, de eso. Aquí se intenta deducirla sola y admitir correcciones.
Pregunta para quien conozca LLMs y GOFAI: ¿por qué no usar LLMs para escribir tantas reglas simbólicas como haga falta para ajustarse a los datos, manteniendo el conjunto de reglas revisable y mantenible?
Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.