# NVIDIA Auto Ontology โอเพนซอร์สสร้าง semantic layer ให้ AI agent เขียน SQL ตรงความหมาย

> NVIDIA Auto Ontology เป็นไลบรารีโอเพนซอร์ส Apache-2.0 สร้างชั้นความหมายธุรกิจจากเมทาดาทา ให้ AI agent ถามฐานข้อมูลเป็น SQL ผ่าน MCP CLI และ API ได้แม่นขึ้น

- ประเภท: ข่าว · หมวด: Data & Analytics
- เผยแพร่: 2026-11-02T18:04:00.000Z · อัปเดต: 2026-11-02T18:04:00.000Z
- โดย: กองบรรณาธิการ THAI DATA, THAI DATA IT BUSINESS ENTERPRISE
- ที่มา: https://thaidata.co.th/data/nvidia-auto-ontology-semantic-layer-agent-sql/

## สรุปประเด็นสำคัญ

- README ของ **NVIDIA Auto Ontology** บนโปรเจกต์ GitHub ของ NVIDIA ระบุว่าเป็นไลบรารีโอเพนซอร์สสัญญา **Apache-2.0** ที่สร้างชั้น context จากเมทาดาทาองค์กร และเปิดให้ agent ใช้ผ่าน **3 ช่องทาง** คือ MCP, CLI และ API
- ชุดโปรเจกต์ใช้ Postgres กับ pgvector เก็บแค็ตตาล็อกและ ontology มี FastAPI และ Next.js 16 เป็นส่วนประกอบ และเชื่อมฐานข้อมูล **4 ชนิด** ได้แก่ Databricks, Postgres, Snowflake และ DuckDB
- ค่าตั้งต้นเรียกโมเดลผ่าน NVIDIA NIM เช่น nvidia/nemotron-3-nano-30b-a3b เป็น LLM และ nvidia/nemotron-3-embed-1b เป็นโมเดล embedding และต้องมี NVIDIA API key
- ถ้าเพิ่มการเชื่อมต่อฐานข้อมูลผ่านหน้าเว็บโดยไม่ตั้ง HashiCorp Vault รหัสผ่านถูกเก็บเป็นข้อความธรรมดาใน Postgres ตาม README ส่วนโปรเจกต์ ณ **3 พฤศจิกายน 2026** ยังไม่รับ contribution จากภายนอก

NVIDIA เปิดโอเพนซอร์สไลบรารี NVIDIA Auto Ontology บน GitHub ภายใต้สัญญา Apache-2.0 เพื่อสร้างชั้นความหมายธุรกิจ (semantic layer) จากเมทาดาทาของข้อมูลองค์กร ให้ AI agent ที่เขียน SQL ถามฐานข้อมูลได้อย่างมีบริบท ตาม README ที่เราเปิดอ่านเมื่อ 3 พฤศจิกายน 2026 ไลบรารีเปิดให้ agent เรียกผ่าน MCP, CLI และ API รวม 3 ช่องทาง

ปัญหาที่โปรเจกต์บอกว่าแก้คือความน่าเชื่อถือ README ยกตัวอย่างว่าตัวเลขรายได้ที่ตอบเร็วขึ้นแต่ผิดนั้นไม่มีค่า agent จึงต้องรู้ว่าข้อมูลอยู่ที่ไหน มีความหมายอย่างไร ควรใช้หรือไม่ และมาจากไหน

## NVIDIA Auto Ontology ทำอะไรได้บ้าง

README แบ่งงานของ NVIDIA Auto Ontology เป็น 5 ขั้น

| ขั้น | สิ่งที่ README ระบุ |
| --- | --- |
| Discover | สร้าง ontology จากเมทาดาทา เชื่อม ontology และ semantic model ที่มีอยู่ สร้างกราฟความรู้ที่พร้อมใช้กับ AI |
| Ground | ให้ agent รู้ความหมายทางธุรกิจของเมตริก เอนทิตี และความสัมพันธ์ และจัดความหมายที่ขัดกันข้ามระบบให้ตรงกัน |
| Validate | ตรวจคำสั่งที่สร้างขึ้นกับคำนิยามที่รับรองแล้วและสายข้อมูล (lineage) แล้วคืนที่มาของคำตอบทุกครั้ง |
| Expose | ส่งบริบทให้ agent harness ใดก็ได้ผ่าน MCP, CLI และ API |
| Learn | นำคำแก้ไขที่รับรองแล้วและการใช้งานกลับเข้า ontology เพื่อให้ปรับปรุงทุกครั้งที่มีคนถาม |

README ยังระบุว่าไลบรารี "เสริม" semantic model ที่ลูกค้ามีอยู่แล้ว ไม่ได้มาแทนที่ ฟีเจอร์ที่ README ระบุยังรวมการถามข้อมูลเป็นภาษาธรรมชาติแล้วแปลงเป็น SQL ระบบยืนยันตัวตนและ RBAC หน้าเว็บสำหรับแชต วิเคราะห์ และดูแค็ตตาล็อก

![สถาปัตยกรรม NVIDIA Auto Ontology จากโปรเจกต์ GitHub ของ NVIDIA: Agent Harness, Frontend, Backend, Postgres, Ingestion Service, NIM และฐานข้อมูลต้นทาง](https://thaidata-co-th.s3.ap-southeast-1.amazonaws.com/thaidata.co.th/images/articles/nvidia-auto-ontology-semantic-layer-agent-sql/nvidia-auto-ontology-architecture.webp?v=75475945) _(ภาพ: NVIDIA (GitHub NVIDIA/auto-ontology))_

## ส่วนประกอบและสิ่งที่ต้องเตรียมสำหรับ NVIDIA Auto Ontology

ตาม README ชุดโปรเจกต์ประกอบด้วย

- **Frontend** Next.js 16 (React 19, TypeScript) พร้อม Better Auth และ Prisma ทำหน้าที่หน้าเว็บ ระบบยืนยันตัวตน และเกตเวย์ API พอร์ตตั้งต้น 3000
- **Backend** FastAPI (Python 3.12 ขึ้นไป) และ LangChain จัดการแชตและการแปลงคำถามเป็น SQL แค็ตตาล็อก และ API ของแหล่งข้อมูล พอร์ต 3001
- **Ingestion worker** FastAPI นำเข้าข้อมูลตารางและเขียน embedding พอร์ต 3002
- **Postgres พร้อม pgvector** เก็บเมทาดาทาของแอป แค็ตตาล็อก ontology และเวกเตอร์
- **HashiCorp Vault** เป็นตัวเลือกสำหรับเก็บรหัสเชื่อมต่อ

การเรียกโมเดลใช้ NVIDIA NIM ได้ทั้งผ่าน NVIDIA API catalog ที่ build.nvidia.com หรือ NIM ที่โฮสต์เอง ค่าตั้งต้นใน `.env.example` ตาม README คือ nvidia/nemotron-3-nano-30b-a3b สำหรับ LLM, nvidia/nemotron-3-embed-1b สำหรับ embedding และ nvidia/llama-nemotron-rerank-vl-1b-v2 สำหรับจัดอันดับผลค้นคืน ต้องมี NVIDIA API key รูปแบบ nvapi จากแคตตาล็อกดังกล่าวสำหรับงานแชตและการนำเข้าข้อมูล

ผู้ติดตั้งใช้ Docker Compose v2 สำหรับชุดในเครื่อง หรือ Helm chart บน Kubernetes และต้องมีรายละเอียดการเชื่อมต่อฐานข้อมูลต้นทางที่ README ระบุว่าเป็น Databricks, Postgres, Snowflake หรือ DuckDB

## ข้อควรระวังด้านความปลอดภัยที่ README บอกไว้

ส่วน Connections Management ของ README ระบุว่า ถ้าเพิ่มการเชื่อมต่อฐานข้อมูลผ่านหน้าเว็บโดยไม่ได้ตั้ง Vault ข้อมูลการเชื่อมต่อทั้งชุด รวมรหัสผ่าน จะถูกเก็บแบบไม่เข้ารหัสในแถวฐานข้อมูลของแค็ตตาล็อก Vault ปิดอยู่เป็นค่าตั้งต้น และถ้าตั้งค่าไม่ครบ ระบบเตือนแล้วกลับไปเก็บแบบข้อความธรรมดา

ข้อควรรู้อื่นจาก README

- รองรับ SSO ผ่าน IdP โดยตั้ง Redirect URI เป็น `APP_URL/api/auth/sso/callback`
- ผู้ใช้สร้าง API token สำหรับสคริปต์ได้ ระบบเก็บเฉพาะค่าแฮช SHA-256 และโทเคนทำงานตามสิทธิ์ของเจ้าของ
- พอร์ต FastAPI เป็นขอบเขตบริการภายในที่เชื่อถือกัน ต้องไม่เปิดสู่สาธารณะ เพราะ header ระบุตัวผู้ใช้ไม่ได้ถูก FastAPI ตรวจซ้ำ

![หน้าโปรเจกต์ NVIDIA/auto-ontology บน GitHub](https://thaidata-co-th.s3.ap-southeast-1.amazonaws.com/thaidata.co.th/images/articles/nvidia-auto-ontology-semantic-layer-agent-sql/nvidia-auto-ontology-github-page.webp?v=8c6833be) _(ภาพ: GitHub / NVIDIA (ภาพหน้าจอ))_

## วัดผลแบบไหน และสถานะของโปรเจกต์

README ชี้ไปที่ที่เก็บ [ontology-sql-eval](https://github.com/NVIDIA/ontology-sql-eval) สำหรับรันเบนช์มาร์ก text-to-SQL เช่น BIRD ชุดทดสอบนี้เทียบ 2 แบบ คือ LLM ที่เห็นเพียงสคีมา กับ agent ที่ใช้ ontology แล้วรายงานผลต่างเป็นตัวเลขเดียว โดยตรวจด้วยการเทียบผลการรันแบบกำหนดแน่นอน ไม่ใช้ LLM เป็นผู้ตัดสิน เรายังไม่ได้เปิดอ่านผลเบนช์มาร์กที่ NVIDIA เผยแพร่ จึงไม่รายงานตัวเลขความแม่นยำใด ๆ

ข้อจำกัดที่ README ระบุชัดคือโปรเจกต์ "ยังไม่รับ contribution จากภายนอก" แม้เป็นโอเพนซอร์สสัญญา Apache-2.0 องค์กรที่ต้องการแก้โค้ดจึงต้องฟอร์กเอง

## ทำไมเรื่องนี้สำคัญ

องค์กรที่เริ่มให้ AI agent ถามฐานข้อมูลจริงมักเจอปัญหาเดียวกัน คือชื่อคอลัมน์ไม่บอกความหมาย และเมตริกเดียวกันนิยามต่างกันในแต่ละระบบ แนวทางของ NVIDIA Auto Ontology คือเก็บความหมายและสายข้อมูลไว้ในชั้นกลางที่ตรวจสอบได้ แทนการหวังให้โมเดลเดาจากชื่อตาราง ซึ่งเป็นทิศเดียวกับที่ผู้ขายข้อมูลรายอื่นทำ เช่น [Oracle ที่เพิ่ม semantic layer ใน Autonomous AI Lakehouse](/data/oracle-autonomous-ai-lakehouse-semantic-layer-iceberg/) และ [Dell AI Data Platform ที่เพิ่ม knowledge graph](/datacenter/dell-ai-data-platform-knowledge-graph-powerscale/)

## ผลต่อองค์กรไทย

- **ลองใน sandbox ก่อน** ใช้ชุดข้อมูลตัวอย่างหรือสำเนาที่ไม่มีข้อมูลส่วนบุคคล เพราะซอฟต์แวร์ใหม่ที่เชื่อมฐานข้อมูลจริงควรผ่านการทดสอบสิทธิ์และ log ก่อน
- **ตั้ง Vault ก่อนเพิ่มการเชื่อมต่อ** ตามที่ README เตือนเรื่องรหัสผ่านแบบข้อความธรรมดา และใช้บัญชีฐานข้อมูลแบบอ่านอย่างเดียว ข้อหลังเป็นข้อแนะนำทั่วไปของเรา ไม่ใช่ข้อความใน README
- **ถามเรื่องที่ตั้งการประมวลผล** ค่าตั้งต้นเรียก NIM ที่โฮสต์โดย NVIDIA ถ้าข้อมูลมีส่วนบุคคลตาม PDPA ควรพิจารณา NIM ที่โฮสต์เองและทบทวนว่าข้อมูลใดถูกส่งออกไปเป็น prompt
- **เริ่มจากนิยามเมตริกกลาง** ไม่ว่าจะใช้ไลบรารีนี้หรือไม่ การตกลงนิยามรายได้ ลูกค้า และคำสั่งซื้อให้ตรงกันคือส่วนที่ต้องทำเอง
- **ติดตามสถานะโปรเจกต์** เพราะยังไม่รับ contribution จากภายนอก ตรวจประวัติ commit และไฟล์ THIRD_PARTY_NOTICES.md ก่อนนำไปใช้

## บริการของ THAI DATA CLOUD ที่เกี่ยวข้อง

องค์กรไทยที่เริ่มให้ AI agent เข้าถึงฐานข้อมูลจริงต้องตัดสินใจว่าข้อมูลและงานประมวลผลจะอยู่ที่ใด [Private Cloud ไทยบน Proxmox VE](https://thaidata.cloud/private-cloud/) ของ THAI DATA CLOUD เก็บข้อมูลไว้ในประเทศ รองรับ PDPA และมีทีมวิศวกรไทยดูแล 24/7 (THAI DATA CLOUD เป็นผู้ดำเนินงานเว็บไซต์นี้)

ติดตามข่าวข้อมูลและฐานข้อมูลอื่น ๆ ได้ที่[หมวด Data](/data/)

## ภาพบันทึก

![ภาพประกอบ: สำนักงานใหญ่ NVIDIA ที่ซานตาคลารา ไม่ใช่ภาพของโปรเจกต์](https://thaidata-co-th.s3.ap-southeast-1.amazonaws.com/thaidata.co.th/images/articles/nvidia-auto-ontology-semantic-layer-agent-sql/nvidia-headquarters-santa-clara.webp?v=6c12df35) _(ภาพ: Coolcaesar / Wikimedia Commons (CC BY-SA 4.0))_

## คำถามที่พบบ่อย

### NVIDIA Auto Ontology คืออะไร?

NVIDIA Auto Ontology คือไลบรารีโอเพนซอร์สของ NVIDIA ที่สร้างชั้น semantic หรือ ontology จากเมทาดาทาของข้อมูลองค์กร เพื่อบอก AI agent ว่าข้อมูลอยู่ที่ไหน มีความหมายอย่างไร และใช้อย่างไร แล้วเปิดให้เรียกใช้ผ่าน MCP, CLI และ API

### NVIDIA Auto Ontology ใช้สัญญาอนุญาตอะไร?

README ระบุว่า NVIDIA Auto Ontology เผยแพร่ภายใต้ Apache License 2.0 ส่วนส่วนประกอบของบุคคลที่สามที่ใช้ในโปรเจกต์ระบุไว้ในไฟล์ THIRD_PARTY_NOTICES.md และโปรเจกต์ยังไม่รับ contribution จากภายนอก ณ วันที่เราตรวจ

### NVIDIA Auto Ontology เชื่อมกับฐานข้อมูลอะไรได้บ้าง?

README ระบุแหล่งข้อมูลที่ต้องเตรียมคือ Databricks, Postgres, Snowflake หรือ DuckDB ตัวโปรเจกต์เองใช้ Postgres ที่มี pgvector เก็บแค็ตตาล็อก ontology และเวกเตอร์ และรันได้ด้วย Docker Compose หรือ Helm chart บน Kubernetes

### ใช้ NVIDIA Auto Ontology ต้องมีอะไรบ้าง?

ต้องมี Docker กับ Docker Compose v2 สำหรับชุดทดลองในเครื่อง NVIDIA API key สำหรับเรียกโมเดลผ่าน NIM และรายละเอียดการเชื่อมต่อฐานข้อมูลต้นทาง ถ้าติดตั้งบน Kubernetes ให้ดูไฟล์ DEPLOYMENT.md ของโปรเจกต์


## แหล่งอ้างอิง

- [NVIDIA/auto-ontology](https://github.com/NVIDIA/auto-ontology) — NVIDIA (GitHub)
- [NVIDIA/ontology-sql-eval](https://github.com/NVIDIA/ontology-sql-eval) — NVIDIA (GitHub)