پروژه Auto Ontology انویدیا؛ ساخت لایه دانش و استدلال معنایی برای ایجنت‌های هوش مصنوعی

معرفی پروژه Auto Ontology انویدیا

توسعه‌دهندگانی که با مدل‌های زبانی بزرگ (LLM) و سیستم‌های ایجنتیک کار کرده‌اند، به خوبی می‌دانند که بزرگترین چالش، قابلیت اعتماد به خروجی‌ها است. دریافت پاسخ سریع برای یک متریک مالی ارزشی ندارد اگر عدد نهایی اشتباه باشد. ایجنت‌های هوش مصنوعی برای درک درست داده‌ها به یک لایه متنی دقیق نیاز دارند که بداند داده‌ها کجا ذخیره شده‌اند، چه معنایی دارند، آیا قابل استفاده هستند یا خیر، و منشا آن‌ها کجاست.

شرکت انویدیا با انتشار پروژه متن‌باز Auto Ontology (با مجوز Apache-2.0)، چارچوبی پایتونی را معرفی کرده است که دقیقاً این مشکل را حل می‌کند. این ابزار با دریافت متادیتای سازمانی، یک لایه معنایی مبتنی بر گراف می‌سازد که به ایجنت‌ها اجازه می‌دهد به شکلی قطعی‌تر (Deterministic) کوئری تولید کنند، متن‌های دقیق‌تری بازیابی کنند و استدلال قابل‌توضیحی ارائه دهند.

در یک نگاه

• مالک/سازنده: سازمان NVIDIA
• زبان اصلی: پایتون (Python) و تایپ‌اسکریپت (TypeScript)
• مجوز انتشار: Apache-2.0
• معماری: پایگاه داده PostgreSQL همراه با pgvector، فرانت‌اند Next.js و بک‌اند FastAPI
• سیستم استنتاج: پشتیبانی کامل از مدل‌های NVIDIA NIM

معماری و اجزای فنی

این پروژه به صورت یک پشته مدرن طراحی شده است و اجزای آن به شرح زیر کار می‌کنند:

• فرانت‌اند: ساخته شده با Next.js 16، React 19، TypeScript و Tailwind CSS 4 همراه با احراز هویت Better Auth و Prisma برای پنل مدیریت و رابط کاربری وب.
• بک‌اند و موتور پردازش: بر پایه FastAPI (نسخه پایتون ۳.۱۲ به بالا) و LangChain برای اجرای چت، تبدیل زبان طبیعی به SQL (NL-to-SQL) و مدیریت کاتالوگ منابع داده.
• لایه ذخیره‌سازی: استفاده از PostgreSQL همراه با افزونه pgvector برای نگهداری متادیتا، کاتالوگ، هستولوژی و وکتوراستور.
• مدیریت رمزها: امکان استفاده از HashiCorp Vault برای ذخیره‌سازی امن اطلاعات اتصال پایگاه‌های داده.
• یکپارچه‌سازی هوش مصنوعی: متکی بر مدل‌های NVIDIA NIM نظیر nemotron-3-nano-30b برای استدلال و مدل‌های امبدینگ اختصاصی انویدیا.

نحوه استفاده و راه‌اندازی محلی

برای اجرای این پشته به صورت محلی با استفاده از Docker Compose، مراحل زیر از مستندات مخزن دنبال می‌شود:

۱. کلون کردن مخزن و ورود به پوشه پروژه:

git clone https://github.com/NVIDIA/auto-ontology auto_ontology && cd auto_ontology

۲. ساخت فایل تنظیمات محیطی (.env) از روی نمونه موجود و تکمیل متغیرهای آن نظیر کلید API انویدیا و مشخصات پایگاه داده:

cp .env.example .env
# ویرایش فایل .env و تنظیم مقادیر ضروری

۳. ساخت ایمیج‌ها و راه‌اندازی سرویس‌ها:

docker compose up -d --build

پس از اجرای موفق، رابط کاربری وب روی پورت 3000 و API بک‌اند روی پورت 3001 در دسترس خواهند بود.

چرا این پروژه در Hacker News مطرح شد؟

این ابزار به دلیل حل یکی از معضلات اصلی مهندسی داده و هوش مصنوعی یعنی «بدهی فنی سازمانی» مورد توجه قرار گرفته است. در بحث‌های هکرنیوز، توسعه‌دهندگان به این نکته اشاره کردند که تلاش برای رفع خطای ایجنت‌ها با اضافه کردن لایه‌های منطقی بیشتر بسیار حیاتی است، هرچند چالش ذاتی مدل‌های زبانی در تفکیک داده‌های آموزش‌دیده از داده‌های لحظه‌ای تحت پردازش همچنان پابرجا است.

این پروژه برای مهندسانی که به دنبال ساخت سیستم‌های هوش مصنوعی مطمئن در بستر داده‌های ساختاریافته (مانند پایگاه‌های داده رابطه‌ای) هستند، یک چارچوب آماده و استاندارد فراهم می‌کند.