Elephant Index
목록으로
AI Nativeness8분

NVIDIA Auto Ontology 리뷰: AI 에이전트에게 회사 데이터의 뜻을 알려 주는 온톨로지 메이커

DB 메타데이터로 온톨로지 초안을 만들고, 사람이 인증하고, 에이전트가 그 위에서 SQL을 쓴다

에이전트가 SQL을 빨리 쓰는 것은 이미 된다. 남은 문제는 그 숫자가 맞느냐다.

NVIDIA가 Auto Ontology라는 오픈소스 라이브러리를 내놓았다. GitHub 저장소 이름은 Auto-Ontology이고, 한마디로 하면 온톨로지 메이커다. 회사 데이터베이스의 메타데이터를 읽어 “고객”, “제품”, “주문” 같은 업무 개념과 그 관계를 정리한 지도를 만들고, AI 에이전트가 질문에 답할 때 그 지도를 근거로 쓰게 한다. 이 글은 저장소의 README와 NVIDIA 공식 발표를 바탕으로, 이 도구가 무엇을 하고 어디까지 믿을 수 있는지 살펴본다.

왜 나왔나

README의 첫 문제 제기는 단순하다. 에이전트는 이미 문서를 찾고 데이터베이스에 질의할 수 있지만, 매출 숫자를 더 빨리 답해도 그 숫자가 틀리면 아무 가치가 없다는 것이다. 에이전트에게 필요한 것은 데이터가 어디 있는지, 무슨 뜻인지, 써도 되는지, 어떻게 써야 하는지, 어디서 왔는지, 비슷한 것은 무엇인지를 알려 주는 맥락 층이라고 README는 정리한다.

실제 회사 데이터를 떠올리면 이 문제가 바로 보인다. 같은 “매출”이라도 부서마다 정의가 다르고, 테이블 이름은 inv_ln처럼 줄여 쓰여 있고, 두 테이블을 어떻게 이어야 하는지는 그 시스템을 오래 다룬 사람만 안다. 언어모델에게 스키마만 주고 SQL을 쓰게 하면, 문법은 맞지만 뜻이 틀린 쿼리가 나오기 쉽다. Auto Ontology는 이 “뜻”을 따로 떼어 그래프로 정리하고, 사람이 확인한 뒤에 에이전트가 쓰게 하자는 접근이다.

NVIDIA는 2026년 10월 21일 GTC Berlin에 맞춰 이 라이브러리를 Agent Knowledge Foundation의 한 부품으로 발표했다. 같은 묶음에는 검색용 Nemotron Retriever 모델, 정형 데이터 예측용 Kumo 모델, cuDF·cuGraph 같은 CUDA-X 라이브러리가 들어 있다.

어떻게 동작하나

README는 동작을 두 단계로 나눈다. 먼저 온톨로지를 만들고 사람이 인증한다. 그다음 에이전트가 그 온톨로지를 근거로 질문에 답한다.

그림 1. Auto Ontology의 두 단계
1단계 · 만들기DB 메타데이터스키마·쿼리 기록초안 온톨로지용어·SQL 속성·관계사람이 검토·인증수정은 바로 반영인증된 온톨로지를 근거로2단계 · 답하기질문 이해·검색의도 분류, 용어 찾기조인 경로그래프에서, 모델 없이SQL 작성·검사정적 검사, 모델 판정답 + SQL + 근거못 하면 ‘답할 수 없음’

NVIDIA/auto-ontology README를 바탕으로 필자가 그렸다.

1단계, 만들기. 연결한 데이터베이스에서 테이블, 컬럼, 키, 뷰, 쿼리 기록을 읽어 카탈로그에 넣는다. 필요하면 개인정보 컬럼에 표시를 하고, 테이블과 컬럼을 임베딩해 pgvector에 저장한다. 그다음 테이블마다 SQL로 값을 훑어보고, 모델이 외래 키 후보와 연결 테이블을 찾고, 컬럼 설명을 쓰고, 용어 이름을 붙인다. 테이블을 가로질러서는 같은 스키마의 복사본을 하나의 용어로 묶고, 추론한 연결은 실제 데이터로 확인될 때만 남긴다. 쿼리 기록에서는 자주 쓰는 계산식을 SQL 속성으로 제안한다.

이렇게 나온 결과는 초안이다. 사람이 Chat 화면이나 MCP 도구로 실제 질문을 던져 보고, UI나 API에서 고친 다음 인증한다. 고친 내용은 바로 다시 임베딩되고, 다음 번에 온톨로지를 다시 빌드해도 유지된다.

2단계, 답하기. 질문이 들어오면 모델이 의도를 분류하고, 임베딩 검색으로 관련 용어와 컬럼, SQL 속성을 찾은 뒤 필요한 것만 남긴다. 테이블을 잇는 조인 경로는 모델이 정하지 않는다. 온톨로지에 기록된 외래 키 관계에서 그대로 가져온다. 그 위에서 추론 모델이 SQL과 설명을 쓰고, 정적 검사와 모델 판정이 SQL을 확인한다. 통과하지 못하면 고쳐 다시 쓰고, 결과가 비면 필터 값을 다시 확인한다. 마지막으로 답과 SQL, 거친 단계를 함께 돌려준다.

온톨로지 안에 들어 있는 것

README가 말하는 온톨로지는 세 가지로 이루어진다. 설명과 동의어, 연결된 컬럼을 가진 용어, 마진이나 누적 합계처럼 검토를 거친 계산식인 SQL 속성, 그리고 연결 테이블을 포함한 조인인 관계다. 저장은 PostgreSQL과 pgvector에 하고, Apache Ossie YAML 형식으로 내보내거나 가져올 수 있다.

여기서 하나 짚어 둘 것이 있다. 몇몇 소개 글은 Auto Ontology를 비정형 텍스트에서 지식 그래프를 뽑아내는 도구로 설명한다. README를 보면 출발점은 문서 묶음이 아니라 데이터베이스의 스키마, 값, 쿼리 기록이고, 목적은 에이전트가 SQL로 정확한 숫자를 가져오게 하는 것이다. NVIDIA 개발자 페이지는 “기업 데이터와 문서”에서 시작 온톨로지를 만든다고 적고 있지만, 공개된 동작 설명의 중심은 데이터베이스다.

구성과 설치

10종연결할 수 있는 DB 엔진. PostgreSQL, MySQL, Databricks, Snowflake, ClickHouse 등. README
90%NVIDIA 자체 테스트에서 줄었다는 온톨로지 제작 시간. 조건은 공개되지 않았다
10.9kGitHub 별 수(2026년 11월 16일). 포크 888개

설치는 Docker Compose로 한 번에 띄우는 방식이다. 웹 화면(Next.js, 3000번 포트), 백엔드(FastAPI, 3001), 수집·컴파일 서비스(3002), 읽기 전용 MCP 서버(3003), PostgreSQL 17과 pgvector가 함께 올라간다. 연결 정보 보관에는 HashiCorp Vault를 선택적으로 쓸 수 있다. 쿠버네티스용 Helm 차트도 NVIDIA NGC 카탈로그에 1.2.0 버전으로 올라와 있다.

연결할 수 있는 데이터베이스는 PostgreSQL, MySQL, Databricks, Snowflake, ClickHouse, Trino, Apache Kyuubi, HeavyDB, DuckDB, SQLite의 열 가지다. 추론은 NVIDIA NIM 엔드포인트로 하는데, NVIDIA가 호스팅하는 API 카탈로그를 써도 되고 직접 띄운 NIM을 써도 된다. OpenAI 호환 엔드포인트도 지원한다. 모델은 역할별로 나뉘어, 온톨로지 생성과 SQL 작성은 추론 모델(기본값 Nemotron 3.5 Lightning 30B A3B)이, 의도 분류와 SQL 검사는 비추론 모델이, 검색은 임베딩·재순위 모델이 맡는다. 사용자가 다른 모델로 바꿀 수 있다.

라이선스는 Apache 2.0이다. 다만 README는 지금 외부 기여를 받지 않고, 버그 신고와 연동 요청만 이슈로 받는다고 밝혀 두었다.

좋은 점

“모르겠다”고 말할 수 있다. 쓸 만한 쿼리가 나오지 않으면 에이전트는 이 데이터로는 답할 수 없다고 알린다. MCP 도구 check_answerable은 질문이 온톨로지로 얼마나 덮이는지 점수로 보여 준다. README 예시에서는 “광고비”를 덮는 용어가 없어 점수가 0.5로 나오고, 에이전트가 되묻는다. 그럴듯한 숫자를 지어내는 것보다 훨씬 나은 동작이다.

조인을 모델에게 맡기지 않는다. 텍스트-SQL에서 자주 틀리는 곳이 테이블을 잘못 잇는 부분이다. Auto Ontology는 조인 경로를 인증된 관계 그래프에서 결정론적으로 가져오고, 모델은 그 위에서 SQL만 쓴다. 틀릴 수 있는 지점을 하나 줄인 설계다.

근거를 함께 준다. 답과 함께 실행한 SQL과 단계를 돌려주므로, 사람이 원본 데이터와 대조해 볼 수 있다. 숫자를 보고서에 옮기기 전에 확인할 길이 있다는 뜻이다.

기존 자산과 함께 쓴다. README는 고객이 이미 가진 시맨틱 모델을 보완한다고 말하고, 기존 온톨로지와 시맨틱 모델을 연결하는 기능을 첫 항목에 둔다. 결과를 MCP, CLI, API로 내보내므로 특정 에이전트 도구에 묶이지 않는다.

조심할 점

공개된 성능 수치가 거의 없다. NVIDIA 개발자 페이지의 “온톨로지 제작 시간 90% 단축”은 NVIDIA 자체 테스트 결과이고, 어떤 데이터에서 무엇과 비교했는지는 나와 있지 않다. 별도 저장소 auto-ontology-eval은 같은 모델을 온톨로지가 있을 때와 스키마만 있을 때로 나눠 BIRD 같은 텍스트-SQL 벤치마크로 비교하는 방법을 제공한다. 채점은 LLM 판정 없이 실행 결과 일치로 한다. 방법은 공정해 보이지만, 지금 이 저장소에는 결과 숫자가 실려 있지 않다. 효과는 각자 자기 데이터로 재 봐야 한다.

초안을 다듬는 데는 사람의 시간이 든다. 이 도구가 자동으로 해 주는 것은 시작 온톨로지까지다. 용어 정의를 확인하고 인증하는 일은 데이터를 잘 아는 사람이 해야 하고, README도 초안은 사람이 다듬어야 한다고 적어 두었다. 조인 선택은 다시 빌드할 때마다 새로 정해져 사람이 고친 것이 유지되지 않는다는 점도 기억해야 한다.

보안 설정을 직접 챙겨야 한다. 백엔드는 프론트엔드가 보낸 사용자 ID 헤더를 그대로 믿고, 수집 서비스의 수집·삭제·초기화·컴파일 엔드포인트에는 자체 인증이 없다. README는 3001, 3002번 포트를 내부망에만 두라고 경고한다. 사내 데이터베이스에 연결하는 도구이니 이 부분은 반드시 확인해야 한다.

예측 질문은 데이터를 밖으로 보낸다. Kumo 예측 기능을 켜면 연결된 테이블이 KumoRFM으로 올라간다. 기본값은 테이블 20개, 테이블당 행 수는 제한 없음이다. README는 이 기능을 쓰기 전에 데이터 검토를 끝내라고 권한다.

문서가 아직 다듬어지는 중이다. README 안에서도 기본 임베딩·재순위 모델 이름이 섹션마다 다르게 적혀 있다. 공개 라이브러리로서 아직 초기 단계라는 신호로 읽힌다.

누구에게 맞나

데이터팀이 있고, 사내 데이터베이스에 자연어로 묻는 분석 에이전트를 붙이려는 조직에 맞는다. 특히 같은 지표의 정의가 시스템마다 달라 숫자가 자주 엇갈리는 회사라면, 정의를 한곳에 모으고 인증하는 과정 자체가 쓸모 있다. 이미 Snowflake나 Databricks를 쓰고 있다면 연결 대상에 들어 있어 시험해 보기도 쉽다.

개인이나 작은 팀이 가볍게 쓰기에는 무겁다. Docker로 여러 서비스를 띄우고, 데이터베이스 연결과 모델 API 키를 준비하고, 초안 온톨로지를 검토할 사람이 있어야 한다. 엑셀 몇 개를 다루는 수준이라면 이 정도 구조가 필요하지 않다.

총평

Auto Ontology는 에이전트에게 회사 데이터의 뜻을 가르치는 일을 사람 손에서 반쯤 덜어 준다. 초안은 기계가 만들고, 정의는 사람이 인증하고, 답은 인증된 정의 위에서만 만든다. 이 분업이 가장 큰 장점이다. 조인을 그래프에서 가져오고, 모르면 모른다고 말하고, SQL과 근거를 함께 내놓는 설계도 기업 분석에 필요한 것들이다. 아쉬운 점은 효과를 보여 주는 공개 수치가 아직 없다는 것이다. 지금은 “작동 방식이 설득력 있는 도구” 단계이고, 자기 데이터로 시험해 본 뒤에 판단할 일이다.

  1. NVIDIA, Auto Ontology README. github.com/NVIDIA/auto-ontology (2026년 11월 16일 확인)
  2. NVIDIA, auto-ontology-eval README. github.com/NVIDIA/auto-ontology-eval
  3. NVIDIA Blog, “NVIDIA Agent Toolkit Expands, Grounding Enterprise Agents in Company Data”, 2026년 10월 21일. blogs.nvidia.com
  4. NVIDIA Developer, “Building an Agent Knowledge Foundation”(온톨로지 제작 시간 90% 단축 주장). developer.nvidia.com
  5. NVIDIA NGC, Auto Ontology Helm Chart 1.2.0. catalog.ngc.nvidia.com
목록으로