NVIDIA Auto Ontology

Ulasan Lengkap

Pada 4 November 2026 Trendshift menempatkan NVIDIA/auto-ontology di peringkat lima tren harian, di bawah craft-anything di posisi satu, DiscImageStudio di posisi dua, agent-desktop Vercel Labs di posisi tiga, dan dsh-superagent-prototype DeepSeek di posisi empat; Scrapling mengikuti di posisi enam. Deskripsi repositori yang dikembalikan API berbunyi Auto Ontology is a Python framework for building semantic, graph-based reasoning layers over data, melanjutkan dengan deterministic query generation, better context retrieval, dan more explainable AI for LLM and agent workflows. API yang dibaca pukul 07.01 WIB pada hari yang sama mencatat 2.858 bintang, 225 fork, bahasa Python, lisensi SPDX Apache-2.0, 13 pengikut, dan 34 pada field open_issues_count; seperti biasa field itu menghitung isu dan pull request terbuka dalam satu kolom. Repo dibuat 27 April 2026, push terakhir 3 November 2026 pukul 23.13 UTC, dan commit terakhir di cabang main adalah penggabungan pull request nomor 393 dengan judul `fix/sql-tool-description` pada 3 November 2026 pukul 08.41 UTC. API tidak menampilkan homepage maupun topics, ukuran repositori 22.659 kilobyte, dan cabang bawaan main. Rilis yang terhitung API ada nol, sementara daftar tag hanya menampilkan `pre-main-merge-backup`. Perlu dicatat sejak awal: proyek ini NVIDIA, dan README menyebut jelas bahwa kontribusi eksternal tidak diterima saat ini.

Yang diklaim README bukan model bahasa, melainkan lapisan konteks di atas data yang sudah ada. Bukaannya menyebut agen bisa menelusuri dokumen dan mengkueri basis data, tetapi yang menghalangi analitika agen adalah keandalan, dan metrik pendapatan yang dijawab lebih cepat tidak berharga kalau angkanya salah. Dari sini keluar empat kerja yang dicetak sebagai daftar: Discover, Ground, Validate, dan Expose, ditambah butir Learn yang README taruh di daftar yang sama — koreksi tersertifikasi dan pemakaian dikembalikan ke ontologi supaya konteks bersama membaik tiap pertanyaan. Komponennya lima dan tertulis dalam tabel: frontend Next.js 16 dengan React 19, TypeScript, Tailwind CSS 4, Better Auth, dan Prisma di port 3000; backend FastAPI dengan Python 3.12 ke atas dan LangChain di 3001; ingestion worker FastAPI di 3002 yang mengimpor data tabular dan menulis embedding; Postgres dengan pgvector sebagai penyimpan metadata aplikasi, katalog, ontologi, dan vektor di 5432; serta HashiCorp Vault sebagai penyimpanan kredensial yang opsional. Kueri bahasa alami diterjemahkan menjadi SQL dan dijalankan terhadap basis data yang tersambung, dengan NVIDIA NIM sebagai mesin infers; sumber daya semantik disimpan di Postgres yang sama dengan katalog yang ia deskripsikan. Basis data yang README sebut sebagai sumber yang bisa disambung adalah Databricks, Postgres, Snowflake, dan DuckDB. Semua angka fitur itu klaim proyek pada hari baca; Wawasan AI tidak menjalankan `docker compose up`, tidak menyambung satu basis data pun, dan tidak menghasilkan satu ontologi hari ini.

Sisi yang jarang ditulis rapi justru ada di README-nya, dan itu berguna sebagai peta risiko. Model bawaan `.env.example` adalah `nvidia/nemotron-3-nano-30b-a3b`, `nvidia/nemotron-3-embed-1b`, dan `nvidia/llama-nemotron-rerank-vl-1b-v2`, masing-masing lewat endpoint yang bisa diganti variabel lingkungan dan butuh kunci API NVIDIA berformat `nvapi-...`; perannya dikonfigur sebagai triplet `<PREFIX>_ENDPOINT`, `<PREFIX>_API_KEY`, `<PREFIX>_MODEL` untuk REASONING, NON_REASONING, EMBED, dan RERANK dengan kejatuhan ke `DEFAULT_MODELS_*`, dan `*_API_KEY` masih jatuh kembali ke `NVIDIA_API_KEY` lama. Bagian Connections Management menulis tanpa Vault objek koneksi lengkap termasuk kata sandi disimpan sebagai JSON tanpa enkripsi di baris katalog, sedangkan dengan Vault baris katalog tidak menyimpan kredensial dan nama basis data menjadi kunci pencarian; Vault aktif hanya kalau keempat variabelnya terisi dan konfigurasi sebagian diabaikan dengan peringatan sehingga kembali ke teks biasa. Bagian Agent API menyebut klien publik memanggil gerbang Next.js di `POST /api/chat/completions` dan menerima aliran SSE berisi `step`, `result`, atau `error` lalu `[DONE]`; `conversation_id` opsional, FastAPI memuat sampai lima giliran selesai terakhir dengan batas 12.000 karakter, permintaan yang tumpang tindih untuk satu percakapan mengembalikan `409 Conversation in progress`, dan port FastAPI tidak boleh diekspos publik karena header identitas internalnya tidak diverifikasi sendiri. Bagian Notice and Disclaimer mencantumkan tabel bahan eksternal yang disentuh saat jalan: API model yang dihosting NVIDIA, endpoint kompatibel OpenAI lain yang kamu konfigur, layanan kueri prediktif Kumo hanya ketika `KUMO_RFM_API_KEY` diisi, dan basis data sumbermu sendiri. Untuk pemrograman skrip, token API disimpan sebagai hash SHA-256, hanya ditampilkan sekali, dan tidak bisa membuat token baru.

Hubungannya dengan pembaca Indonesia lewat satu pintu yang sedang ramai: agen AI yang menanyakan angka ke basis data instansi. Lapisan yang Auto Ontology tawarkan persis yang biasanya hilang di proyek RAG pemerintah daerah, perguruan tinggi, atau UMKM yang mulai bertanya 'berapa realisasi anggaran bulan lalu' ke chatbot — definisi metrik yang disepakati, asal-usul angka, dan pemeriksaan jawaban terhadap definisi tersertifikasi, dengan provenance yang ikut kembali ke penanya. Kalimat README soal metrik pendapatan yang dijawab cepat tapi salah adalah kalimat yang cocok untuk rapat tata kelola data, bukan untuk demo. Yang harus dibaca sebelum itu adalah tiga batas keras: kredensial koneksi bisa mendarat sebagai teks biasa di Postgres kalau Vault tidak dikonfigur, port backend adalah batas layanan internal yang tidak boleh keluar ke publik, dan proyek ini sedang tidak menerima kontribusi eksternal sehingga isu atau pull request dari luar tidak akan direview. Untuk ASN yang terikat aturan perlindungan data dan pengelolaan data pemerintah, kombinasi penyimpanan metadata bisnis plus basis data internal di satu stack Docker tidak boleh dipasang tanpa pemeriksaan dasar hukum dan keamanan lebih dulu; README sendiri menulis pemakai bertanggung jawab menemukan, membaca, dan mematuhi seluruh ketentuan bahan eksternal. Di snapshot 4 November, Auto Ontology peringkat lima berada di antara DiscImageStudio peringkat dua yang tidak menyentuh AI sama sekali dan Scrapling peringkat enam yang mengumpulkan web publik; ketiganya topik berbeda — lapisan konteks data, arsip fisik piringan optis, dan pengumpulan web — dan editorial hari ini tidak menyamakan ketiganya dengan laporan ANTARA tentang peningkatan diri rekursif yang Anthropic sampaikan di bagian Faktor Risiko laporannya ke pemerintah AS, Selasa 3 November 2026 pukul 23.24 WIB.