NVIDIA Auto Ontology: Kerangka Terbuka agar Agen AI Paham Data Perusahaan
Repositori NVIDIA/auto-ontology masuk daftar trending GitHub pada 6 November 2026. Per tanggal hari ini, repo tersebut memiliki sekitar 7,2 ribu bintang, dan halaman trending mencatat lonjakan sekitar 2,7 ribu bintang dalam sehari. Lisensinya Apache 2.0.
Apa fungsinya
Auto Ontology adalah kerangka kerja Python yang membangun “lapisan konteks” semantik di atas data terstruktur milik perusahaan. Masalah yang disasar cukup umum: agen AI sering salah menjawab pertanyaan bisnis karena istilah seperti “pendapatan” atau “unit terjual” punya definisi berbeda di tiap sistem.
Cara kerjanya, kerangka ini membuat draf ontologi (istilah, hubungan antartabel, dan ekspresi SQL) dari metadata database. Tim data lalu meninjau dan mengesahkannya. Setelah itu, pertanyaan dalam bahasa alami diterjemahkan menjadi SQL, nilai filter dan kuerinya diperiksa ke database, lalu jawaban ditampilkan bersama SQL dan langkah-langkahnya. Kalau data yang tersambung tidak cukup untuk menjawab, sistem melaporkannya dan tidak menebak.
Fitur lain menurut halaman repo: katalog semantik disimpan di Postgres dengan pgvector, akses lewat server MCP, REST API, dan CLI, serta konektor untuk sepuluh mesin database, antara lain PostgreSQL, MySQL, Snowflake, Databricks, DuckDB, dan SQLite. Ada pula antarmuka web, kontrol akses berbasis peran, dan opsi penyebaran dengan Helm chart atau Docker Compose.
Untuk siapa dan cara mulai
Sasarannya pengembang dan tim data yang membangun agen atau alur kerja LLM di atas data terstruktur. Panduan cepatnya memakai Docker Compose dengan contoh database Wide World Importers. Prasyaratnya Docker Compose v2, uv, dan kunci API NVIDIA. Langkahnya: kloning repo, salin .env.example menjadi .env dan isi kunci serta kata sandi baru, siapkan database contoh, jalankan docker compose up -d --build, buka localhost:3000, aktifkan Semantic Compilation di Pengaturan, lalu ajukan pertanyaan lewat Chat.
Satu catatan: proyek ini menyatakan belum menerima kontribusi eksternal, hanya laporan bug dan permintaan integrasi lewat issue. Mesin bahasanya memakai endpoint NVIDIA NIM, jadi bergantung pada layanan tersebut.
Jika Anda mengikuti tren agen coding, bandingkan dengan Worktrunk untuk menjalankan agen secara paralel. Keduanya sama-sama merapikan cara agen AI bekerja, tetapi Auto Ontology fokus pada data, bukan kode.
Artinya bagi pemilik rumah di Jabodetabek
Repo ini bukan alat untuk pemilik rumah awam, melainkan untuk tim teknis. Namun, gagasannya relevan bagi kontraktor, developer, dan pengelola properti yang mulai memakai AI untuk laporan: data biaya material, progres proyek, dan penjualan unit biasanya tersebar di banyak spreadsheet dengan definisi yang tidak seragam. Agen AI yang menjawab tanpa definisi yang disepakati bisa memberi angka yang tampak meyakinkan tetapi keliru.
Kalau Anda mengelola proyek atau portofolio properti, pelajaran praktisnya: rapikan dulu definisi data (apa itu “biaya per meter persegi”, kapan sebuah tahap dihitung selesai) sebelum menyerahkannya ke AI, dan minta jawaban selalu disertai sumber hitungannya. Untuk pemakaian pribadi, tidak ada yang perlu dikejar sekarang.