03/Cool Products
2026-11-21//13 MNT BACA

Bedah Produk Keren: Apakah NVIDIA/auto-ontology: Architecture & Layak Diadopsi untuk Stack Production Anda?

INTISARI EKSEKUTIF // BRIEFING 05:30 WIB

Architectural Thesis: Engineering teardown of NVIDIA/auto-ontology (Python) — Engineering teardown of NVIDIA/auto-ontology's architecture, concurrency model, and developer primitives. Real-World Field Use Cases: 1. Developer Platform Integration: Embedding into existing CI/CD and production microservice pipelines. 2....

DP
Doddi PriyambodoSolutions Consultant, Google Cloud SEA
Blueprint Arsitektur Enterprise
Bedah Produk Keren: Apakah NVIDIA/auto-ontology: Architecture & Layak Diadopsi untuk Stack Production Anda?
FIG. 01 // CETAK BIRU ARSITEKTUR2026-11-21 • BICARA IT

Bedah Produk Keren: Apakah NVIDIA/auto-ontology: Architecture & Layak Diadopsi untuk Stack Production Anda?

Ringkasan: NVIDIA/auto-ontology adalah framework Python open-source yang secara otomatis membangun lapisan penalaran semantik (ontologi) dari metadata enterprise untuk memastikan AI agent memberikan jawaban yang akurat dan deterministik. Tool ini sangat krusial bagi platform engineer dan arsitek AI yang ingin mengintegrasikan LLM dengan database kompleks tanpa risiko halusinasi, menyediakan konteks bisnis yang tervalidasi melalui protokol MCP, CLI, dan API.

Apa Itu Inside NVIDIA/auto-ontology: Architecture & Production Teardown & Mengapa Sedang Trending?

Dalam lanskap rekayasa kecerdasan buatan (AI engineering) saat ini, kemampuan sebuah agent untuk mengambil dokumen dan melakukan query ke database sudah menjadi standar industri. Namun, ada satu masalah fundamental yang sering diabaikan oleh banyak arsitektur sistem: keandalan (reliability). Seperti yang dinyatakan dalam dokumentasi resmi NVIDIA/auto-ontology, metrik pendapatan yang dijawab dengan sangat cepat tidak akan ada nilainya jika angka yang dihasilkan salah. Keandalan adalah gerbang utama menuju analitik berbasis agent (agentic analytics).

AI agent membutuhkan konteks yang mendalam untuk dapat menjawab dengan akurat. Mereka perlu memahami apa arti dari setiap konsep bisnis, di mana data tersebut berada di dalam skema database, bagaimana tabel-tabel saling terhubung, bagaimana cara menghitung sebuah metrik, dari mana asal data tersebut (lineage), dan apakah data tersebut dapat dipercaya. Di sinilah NVIDIA Auto Ontology masuk sebagai solusi arsitektural yang elegan.

Auto Ontology adalah sebuah library open-source berbasis Python yang secara otomatis membangun ontologi—sebuah peta terkelola yang menghubungkan konsep-konsep yang sering ditanyakan oleh pengguna dengan data mentah di belakangnya—langsung dari metadata enterprise. Framework ini merekonsiliasi definisi yang tumpang tindih di berbagai sistem dan mengekspos konteks tersebut ke berbagai agent harness melalui Model Context Protocol (MCP), CLI, dan API. Tidak heran jika repositori ini menduduki peringkat #1 di leaderboard BEAVER dan peringkat #2 di leaderboard BIRD-Interact, seperti yang tercatat pada halaman NVIDIA/auto-ontology/releases.

Secara arsitektural, tool ini tidak berusaha menggantikan model semantik yang sudah dimiliki oleh perusahaan, melainkan melengkapinya. Dengan menggunakan standar seperti Apache Ossie, Auto Ontology menjaga agar graf pengetahuan (knowledge graph) yang dihasilkan tetap portabel. Fitur utamanya mencakup Discover (menghasilkan ontologi dari metadata), Ground (memberikan makna bisnis yang tepercaya pada metrik), Validate (menguji draf ontologi dengan pertanyaan nyata), Expose (menyajikan konteks via MCP), dan Learn (memasukkan koreksi dari pakar kembali ke dalam sistem).

Use Case Nyata di Lapangan: Ide Implementasi Praktis

Untuk memahami di mana framework ini benar-benar memberikan dampak, kita harus melihat implementasinya di lingkungan produksi. Berikut adalah tiga use case lapangan yang menunjukkan bagaimana tim engineering dapat memanfaatkan Auto Ontology:

1. Developer Platform Integration (Sektor: E-Commerce / Retail)

  • Masalah Sehari-hari: Dalam arsitektur microservices e-commerce, data tersebar di berbagai database (layanan pesanan, layanan inventaris, layanan pelanggan). Ketika tim data atau AI agent mencoba menjawab pertanyaan sederhana seperti "Berapa total pendapatan dari produk X?", mereka sering kali salah melakukan join tabel karena skema yang terfragmentasi dan definisi "pendapatan" yang berbeda antar layanan.
  • Praktik Implementasi: Tim platform engineering dapat mengintegrasikan Auto Ontology ke dalam pipeline CI/CD mereka. Setiap kali ada migrasi database baru, Auto Ontology melakukan ingestion terhadap katalog database, memprofilkan nilai menggunakan SQL, dan memperbarui ontologi. Ontologi ini kemudian diekspos melalui MCP ke internal developer portal atau AI agent yang digunakan oleh analis bisnis.
  • Dampak Nyata: Agent dapat melakukan query lintas layanan dengan akurasi tinggi karena mereka memiliki peta semantik yang tervalidasi. Hal ini secara drastis mengurangi waktu yang dihabiskan oleh data engineer untuk men- debug query SQL yang salah (halusinasi) yang dihasilkan oleh LLM.

2. Concurrency & Memory Footprint (Sektor: FinTech / Perbankan)

  • Masalah Sehari-hari: Memasukkan seluruh skema database perbankan yang masif ke dalam context window LLM (seperti Claude atau GPT-4) tidak hanya mahal, tetapi juga menghancurkan latensi P99 (context bloat). Di bawah beban tinggi (high load), memori yang dibutuhkan untuk memproses prompt raksasa ini membuat sistem menjadi tidak responsif.
  • Praktik Implementasi: Alih-alih mengirimkan seluruh DDL (Data Definition Language), arsitek sistem menggunakan Auto Ontology sebagai semantic router. Auto Ontology melakukan embedding terhadap tabel dan kolom ke dalam pgvector. Ketika ada query masuk, sistem hanya mengambil (retrieve) konsep dan relasi yang relevan dari ontologi, lalu mengirimkan subset konteks tersebut ke LLM.
  • Dampak Nyata: Evaluasi latensi P99 dan utilisasi sumber daya menunjukkan penurunan drastis dalam konsumsi token dan penggunaan memori. Agent merespons jauh lebih cepat karena context window tetap kecil, padat, dan sangat relevan dengan pertanyaan yang diajukan.

3. Build-vs-Buy Adoption Verdict (Sektor: SaaS / Customer Operations)

  • Masalah Sehari-hari: Perusahaan SaaS sering kali dihadapkan pada dilema: apakah harus membeli solusi semantic layer terkelola (managed cloud) yang mahal dan berisiko vendor lock-in, atau membangun sistem RAG (Retrieval-Augmented Generation) sendiri dari nol yang rentan terhadap kesalahan teknis.
  • Praktik Implementasi: Tim engineering mengadopsi Auto Ontology sebagai jalan tengah. Karena ini adalah framework Python open-source, mereka dapat men- deploy sistem ini di infrastruktur mereka sendiri (menggunakan Docker Compose atau Kubernetes). Mereka menggunakan pakar internal untuk melakukan sertifikasi (Certification) terhadap elemen ontologi sebelum digunakan di produksi.
  • Dampak Nyata: Perusahaan mendapatkan kontrol operasional penuh atas data dan metadata mereka tanpa biaya lisensi perangkat lunak pihak ketiga yang eksorbitan. Trade-off operasionalnya sangat menguntungkan dibandingkan alternatif cloud terkelola, terutama karena portabilitas yang ditawarkan oleh Apache Ossie.

Di Balik Layar: Arsitektur & Keputusan Desain

Jika kita membedah repositori NVIDIA/auto-ontology#readme, kita akan melihat bahwa sistem ini dirancang dengan pemisahan tanggung jawab (separation of concerns) yang sangat tegas. Auto Ontology beroperasi dalam dua tahap utama: tahap Generasi (di mana sistem membangun ontologi yang kemudian disertifikasi oleh manusia) dan tahap Eksekusi (di mana agent menggunakan ontologi tersebut untuk menjawab pertanyaan).

Desain ini sangat penting karena proses ekstraksi skema dan profiling data adalah operasi yang berat secara komputasi (compute-heavy), sementara proses tanya-jawab oleh agent harus memiliki latensi yang rendah.

Berikut adalah representasi arsitektur internal dan model eksekusi dari NVIDIA Auto Ontology:

flowchart LR
    subgraph EnterpriseDataSources["Enterprise Data Sources"]
        DB1[(PostgreSQL)]
        DB2[(MySQL)]
        DW[(Data Warehouse)]
    end

    subgraph AutoOntologyGenerationStage["Auto Ontology: Generation Stage"]
        Ingest[Ingestion Service]
        PGV[(pgvector Embeddings)]
        Profile[SQL Profiler & FK Discovery]
        Compile[Semantic Compilation]
        
        Ingest --> PGV
        Ingest --> Profile
        Profile --> Compile
    end

    subgraph OntologyElements["Ontology Elements"]
        Concept[Concepts]
        Map[Mappings]
        Rel[Relationships]
        Met[Metrics]
        Lin[Lineage]
        Cert[Certification]
    end

    subgraph AutoOntologyExecutionStage["Auto Ontology: Execution Stage"]
        MCP[MCP Server / API / CLI]
        Validator[Answerability Checker]
    end

    subgraph AgentHarness["Agent Harness"]
        LLMAgent[AI Agent / LLM]
    end

    DB1 --> Ingest
    DB2 --> Ingest
    DW --> Ingest

    Compile --> Concept
    Compile --> Map
    Compile --> Rel
    Compile --> Met
    Compile --> Lin
    Compile --> Cert

    Concept --> MCP
    Map --> MCP
    Rel --> MCP
    Met --> MCP
    Lin --> MCP
    Cert --> MCP

    MCP <--> Validator
    Validator <--> LLMAgent

Analisis Komponen Arsitektur

1. Tahap Generasi (Semantic Compilation) Proses kompilasi semantik dimulai saat layanan ingestion membaca tabel, kolom, keys, views, dan riwayat query dari database sumber. Keputusan desain yang brilian di sini adalah penggunaan pgvector. Auto Ontology melakukan embedding terhadap tabel dan kolom ke dalam pgvector, memungkinkan pencarian semantik yang sangat cepat saat agent mencoba mencocokkan istilah bisnis dengan nama kolom teknis.

Selain itu, sistem melakukan profiling per tabel menggunakan SQL. Model AI di balik layar mencari kandidat foreign key (FK) dan junction tables, menulis deskripsi kolom, dan memberikan nama pada istilah-istilah tersebut. Pada tingkat lintas tabel (across tables), sistem mengelompokkan salinan skema ke dalam term families dan menautkan foreign keys ke istilah yang direferensikan. Sistem hanya mempertahankan tautan yang disimpulkan (inferred link) jika data di lapangan mengonfirmasinya.

2. Enam Elemen Ontologi Arsitektur ini mendefinisikan ontologi melalui enam elemen yang menjawab enam pertanyaan fundamental:

  • Concept (Apa artinya?): Sebuah istilah (misal: Customer) dengan deskripsi dan sinonim.
  • Mapping (Di mana letaknya?): Atribut yang mengikat istilah ke tabel dan kolom fisik.
  • Relationship (Apa hubungannya?): Joins antar tabel, termasuk bridge tables, baik yang dideklarasikan secara eksplisit maupun yang disimpulkan dari data.
  • Metric (Bagaimana menghitungnya?): Atribut SQL yang telah direviu (misal: margin) sehingga setiap jawaban menghitung ukuran dengan cara yang persis sama.
  • Lineage (Dari mana asalnya?): Tautan dari istilah ke tabel sumber, memastikan setiap jawaban dapat mengembalikan SQL aslinya untuk audit.
  • Certification (Bolehkah digunakan?): Mekanisme human-in-the-loop di mana pakar menyetujui nama dan deskripsi. Elemen yang tersertifikasi ditandai sebagai telah direviu.

3. Tahap Eksekusi & Validasi (Answerability) Ketika agent terhubung melalui MCP (Model Context Protocol), Auto Ontology tidak langsung menghasilkan SQL. Ia melakukan pengecekan answerability terlebih dahulu. Jika data tidak memiliki informasi yang diminta (misalnya, menanyakan ad spend pada database yang hanya berisi data penjualan), sistem akan mendeteksi bahwa coverage istilah tersebut adalah 0. Ini adalah mekanisme guardrail arsitektural yang secara proaktif mencegah halusinasi LLM sebelum query dieksekusi.

Quickstart Praktis & Bedah Kode

Untuk melihat bagaimana framework ini beroperasi di lingkungan lokal, dokumentasi resmi menyediakan panduan quickstart menggunakan Docker Compose dan database sampel Wide World Importers dari Microsoft. Anda akan membutuhkan Docker dengan Compose v2, package manager uv, dan API key dari NVIDIA (nvapi-...).

1. Instalasi dan Konfigurasi Lingkungan

Pertama, kita melakukan clone repositori dan mengatur environment variables.

git clone https://github.com/NVIDIA/auto-ontology.git && cd auto-ontology
cp .env.example .env

Di dalam file .env, Anda harus mendefinisikan kredensial koneksi. Perhatikan bagaimana connection string PostgreSQL didefinisikan secara eksplisit:

DEFAULT_MODELS_API_KEY=nvapi-...
AUTH_SECRET=<a long random string>
APP_URL=http://localhost:3000
POSTGRES_PASSWORD=<a new password>
CONNECTION_STRINGS=postgresql://postgres:<the same password>@postgres:5432/wideworldimporters
AUTO_ONTOLOGY_ADMIN_PASSWORD=<a new password>
PGADMIN_PASSWORD=<a new password>

2. Seeding Database dan Menjalankan Stack

Langkah selanjutnya adalah menjalankan instance Postgres dan memuat database sampel menggunakan script dari repositori evaluasi. Penggunaan uv di sini menunjukkan adopsi tooling Python modern yang sangat cepat untuk manajemen dependensi.

docker compose up -d --wait postgres
git clone https://github.com/NVIDIA/auto-ontology-eval.git ../auto-ontology-eval
(cd ../auto-ontology-eval && uv sync && cp .env.example .env && \
  POSTGRES_PASSWORD='<the same password>' \
  uv run python scripts/seed/seed_wwi.py --database-name wideworldimporters --drop)

Setelah database siap, kita membangun dan menjalankan sisa stack (termasuk layanan ingestion, aplikasi web, dan server MCP):

docker compose up -d --build

3. Bedah Kode: Resolusi Semantik dan Eksekusi SQL

Setelah Anda masuk ke UI di localhost:3000 dan mengaktifkan Semantic Compilation, sistem akan memproses metadata. Mari kita lihat apa yang terjadi ketika kita mengajukan pertanyaan kompleks kepada agent:

"What was revenue for the USB food flash drive - sushi roll in Pennsylvania in June 2015?"

Di balik layar, agent tidak menebak-nebak skema. Ia menggunakan ontologi untuk meresolusi kata revenue, product, dan state ke dalam istilah yang telah dipetakan, mengikuti relasi join yang diperlukan, dan mengeksekusi query. Hasil yang dikembalikan mencakup jawaban, SQL mentah, dan langkah-langkah penalaran (lineage):

Answer: Revenue for USB food flash drive - sushi roll in Pennsylvania in June 2015 was $588.80, from 3 invoice lines.

SQL:
SELECT SUM(il.extendedprice) AS revenue, COUNT(*) AS invoice_lines
FROM sales.invoicelines il
JOIN sales.invoices i ON il.invoiceid = i.invoiceid
JOIN warehouse.stockitems si ON il.stockitemid = si.stockitemid
JOIN sales.customers c ON i.customerid = c.customerid
JOIN application.cities ct ON c.deliverycityid = ct.cityid
JOIN application.stateprovinces sp ON ct.stateprovinceid = sp.stateprovinceid
WHERE si.stockitemname = 'USB food flash drive - sushi roll'
  AND sp.stateprovincename = 'Pennsylvania'
  AND i.invoicedate >= '2015-06-01' AND i.invoicedate < '2015-07-01'

Steps:
Resolved terms: revenue, product, state province
Found path: invoice line -> invoice -> customer -> city -> state province
Validated the filter values against the data, then executed

4. Bedah Kode: Penanganan Unanswerable Queries

Fitur yang paling engineer-friendly dari sistem ini adalah kemampuannya untuk menolak pertanyaan yang tidak memiliki dukungan data. Jika Anda bertanya tentang pengeluaran iklan (ad spend) pada database yang tidak memilikinya, server MCP akan mencegatnya:

You: What was return on ad spend for the sushi roll flash drive in June 2015?
Agent: check_answerable -> coverage 0.5; no term covers "ad spend"
Agent: I can find revenue for that product, but this data has no advertising spend, so I can't compute return on ad spend. Do you want June 2015 revenue instead, or is ad spend tracked in another source I should connect?

Ini adalah implementasi deterministic fallback yang sangat baik, mencegah LLM mengarang tabel marketing_spend fiktif.

Analisis Jujur Saya: Kapan Harus Menggunakannya (Pro & Kontra)

Sebagai sebuah arsitektur, NVIDIA Auto Ontology memecahkan salah satu masalah paling sulit dalam rekayasa AI enterprise: menjembatani kesenjangan antara ambiguitas bahasa manusia dan kekakuan skema database relasional. Namun, seperti semua tool engineering, ia memiliki trade-off yang harus dipertimbangkan.

Keunggulan Utama (Pros)

  1. Determinisme dalam Generasi Query: Dengan memaksa agent untuk merutekan pertanyaan melalui ontologi yang telah disertifikasi, Auto Ontology secara efektif menghilangkan halusinasi SQL. Metrik dihitung dengan cara yang sama setiap saat karena definisi SQL-nya dikunci dalam elemen Metric.
  2. Transparansi dan Auditabilitas (Explainable AI): Fakta bahwa setiap jawaban mengembalikan SQL mentah dan Steps (jalur resolusi) membuat sistem ini sangat mudah di- debug oleh data engineer. Ini adalah fitur krusial untuk kepatuhan (compliance) di industri yang diatur ketat.
  3. Integrasi Ekosistem yang Kuat: Dukungan untuk MCP (Model Context Protocol) berarti ontologi ini dapat dikonsumsi oleh hampir semua agent framework modern. Misalnya, jika tim Anda sedang membangun agent produksi berskala besar menggunakan Google Agent Development Kit (ADK) yang mendukung alur kerja graf (graph workflows) di Python, Go, atau TypeScript, Anda dapat dengan mudah menghubungkan agent ADK Anda ke server MCP Auto Ontology. ADK menangani orkestrasi multi- agent dan retries, sementara Auto Ontology menyediakan grounding data yang absolut.
  4. Pencegahan Halusinasi Proaktif: Fitur check_answerable yang mengevaluasi coverage istilah sebelum melakukan query adalah desain defensif yang sangat brilian untuk menghemat token dan mencegah error di runtime.

Keterbatasan dan Trade-offs (Kontra)

  1. Overkill untuk Skema Sederhana: Seperti yang dicatat secara eksplisit dalam dokumentasi mereka, jika Anda hanya memiliki satu sumber data yang dimodelkan dengan sangat baik (one well-modeled source) dan set pertanyaan yang tetap (fixed set of questions), menggunakan Auto Ontology adalah sebuah over-engineering. Dalam kasus tersebut, direct SQL atau prompting sederhana sudah cukup.
  2. Ketergantungan pada Sertifikasi Manusia (Human-in-the-loop): Meskipun sistem ini secara otomatis menghasilkan draf ontologi, nilai sebenarnya baru muncul setelah pakar domain (manusia) mensertifikasi nama, deskripsi, dan atribut. Ini berarti ada overhead operasional di awal implementasi. Tim data Anda harus meluangkan waktu untuk mereviu dan menyetujui elemen-elemen ontologi sebelum sistem ini dapat dipercaya sepenuhnya di produksi.
  3. Kompleksitas Infrastruktur: Menjalankan layanan ingestion, database pgvector, aplikasi web, dan server MCP membutuhkan manajemen infrastruktur tambahan. Meskipun Docker Compose memudahkan quickstart, men- deploy seluruh stack ini ke Kubernetes di lingkungan produksi dengan high availability akan membutuhkan usaha DevOps yang tidak sedikit.

Kesimpulan Akhir: NVIDIA Auto Ontology adalah game-changer bagi organisasi yang memiliki data yang tersebar di berbagai sumber (disparate sources) dengan definisi yang tumpang tindih atau bertentangan. Jika agent AI Anda sering gagal karena tidak memahami konteks bisnis, atau jika context window LLM Anda terus-menerus kehabisan kapasitas karena disesaki oleh skema DDL yang masif, framework ini adalah solusi arsitektural yang tepat. Ini memindahkan beban penalaran skema dari LLM ke lapisan semantik deterministik, menghasilkan sistem AI yang jauh lebih cepat, lebih murah, dan yang paling penting, dapat diandalkan.

Keterbukaan & Disclaimer AI yang Bertanggung Jawab

Artikel ini merupakan rilis otonom yang disintesis oleh DO-AI (Avatar AI dari Doddi Priyambodo), yang dirancang untuk menulis dengan sudut pandang orang pertama serta kerangka berpikir arsitektur Doddi. Kendati seluruh tulisan telah melewati gate verifikasi deterministik otomatis, model generative AI dapat sewaktu-waktu memicu halusinasi atau ketidaktepatan data. Pembaca diimbau untuk selalu memeriksa silang dokumentasi resmi dan menjalankan due diligence arsitektur secara independen sebelum mengandalkan konten ini. Materi ini dipublikasikan semata-mata untuk wawasan eksploratif dan diskusi arsitektur.

BULETIN ENGINEERING // 05:30 WIBRSS /FEED

Sinyal Arsitektur Terkurasi untuk Engineer & CTO

Bedah berita harian, blueprint enterprise Gemini, dan tool open-source dikirim langsung ke inbox Anda setiap pagi. Bebas spam.

Pilih Pilar Topik Anda:
Found this helpful?
Bedah Produk Keren: Apakah NVIDIA/auto-ontology: Architecture & Layak Diadopsi untuk Stack Production Anda? | Bicara IT | Bicara IT - Enterprise Cloud Architecture & Safe AI Implementation