Auto Ontology ของ NVIDIA คืออะไร ลองให้ AI ตอบตัวเลขจากฐานข้อมูลบริษัทแบบมีที่มา ทีละขั้น
Auto Ontology คือ open source จาก NVIDIA ที่สร้างแผนที่ความหมายของฐานข้อมูลบริษัท ให้ AI รู้ว่าคำอย่างยอดขายคิดจากคอลัมน์ไหนก่อนตอบ แนบ SQL ทุกคำตอบ และบอกตรงๆ เมื่อข้อมูลไม่มีเรื่องที่ถาม บทความนี้พาลองบนฐานข้อมูลตัวอย่างด้วย Docker Compose แล้วต่อ Cursor หรือ Claude Desktop ผ่าน MCP

ใครเคยถาม AI ว่า "ยอดขายสินค้านี้เดือนที่แล้วเท่าไหร่" แล้วได้ตัวเลขกลับมาแบบมั่นใจ แต่ไม่รู้ว่ามันคิดจากคอลัมน์ไหน คำตอบแบบนี้อันตรายกว่าตอบไม่ได้อีกครับ เพราะเราอาจเอาตัวเลขผิดไปใช้ต่อ
Auto Ontology คือ open source จาก NVIDIA (Apache-2.0) ที่อ่านฐานข้อมูลบริษัทแล้วสร้างแผนที่ความหมายให้ AI ใช้ก่อนตอบ คำตอบแนบ SQL มาให้เช็ก และถ้าข้อมูลไม่มีเรื่องที่ถาม มันบอกว่าคิดไม่ได้ บทความนี้พาลองบนฐานข้อมูลตัวอย่างตาม Quickstart ใน README จนต่อกับ Cursor หรือ Claude Desktop ผ่าน MCP
เขียนจาก README และ docs ใน repo (เช็ก 21 พ.ย. 2026) ตอนเตรียมบทความนี้ไม่ได้รันเอง คำสั่งและผลลัพธ์ทุกอันมาจาก README
ทำไม AI ตอบตัวเลขบริษัทผิด
ฐานข้อมูลบริษัทไม่มีคอลัมน์ชื่อ "ยอดขาย" ให้หยิบง่ายๆ ในตัวอย่างของ README รายได้ของสินค้าหนึ่งตัวในรัฐ Pennsylvania ต้องรวมคอลัมน์ extendedprice จากตาราง sales.invoicelines แล้ว join ต่ออีก 5 ตาราง
ถ้าไม่มีใครบอก AI ว่า revenue ของบริษัทนี้คือคอลัมน์ไหน ต่อตารางไหน คิดสูตรยังไง มันก็ต้องเดา เดาผิดจุดเดียว ตัวเลขผิดทั้งก้อน แต่คำตอบยังดูน่าเชื่อเหมือนเดิม
Auto Ontology คืออะไร
Ontology ในที่นี้คือแผนที่ที่โยงคำที่คนในบริษัทใช้ถาม เข้ากับข้อมูลจริง Auto Ontology สร้างร่างแรกให้อัตโนมัติจาก metadata ของฐานข้อมูล (ตาราง คอลัมน์ key และประวัติ query) ให้คนที่รู้เรื่องข้อมูลทดสอบและรับรอง แล้ว AI ค่อยตอบจากแผนที่นี้
เทียบง่ายๆ: เหมือนคู่มือพนักงานใหม่ฝ่ายบัญชี ที่บอกว่า "ยอดขาย" ที่นี่คิดจากคอลัมน์ไหน ต่อตารางอะไร ใช้สูตรไหน และสูตรไหนหัวหน้าเซ็นรับรองแล้ว AI ที่ได้คู่มือนี้ไม่ต้องเดา
แผนที่นี้ตอบ 6 คำถาม ตามตารางใน README:
| คำถาม | ส่วนของ ontology | ใน Auto Ontology |
|---|---|---|
| แปลว่าอะไร | Concept | term เช่น Customer พร้อมคำอธิบายและคำพ้อง |
| อยู่ตรงไหน | Mapping | ผูก term กับตารางและคอลัมน์ที่เก็บค่า |
| ต่อกับอะไร | Relationship | วิธี join ระหว่างตาราง ลิงก์ที่อนุมานเองต้องเช็กกับข้อมูลจริงก่อน |
| คิดยังไง | Metric | SQL ที่ตรวจแล้วเก็บไว้ใต้ term ใช้ซ้ำให้ทุกคำตอบคิดแบบเดียวกัน |
| มาจากไหน | Lineage | term โยงกลับไปตารางต้นทาง และคำตอบแนบ SQL |
| ควรเชื่อไหม | Certification | ผู้เชี่ยวชาญรับรองชื่อ คำอธิบาย และสูตร |
ต่อกับ AI ได้ทาง MCP, CLI และ API ต่อฐานข้อมูลได้ 10 แบบ เช่น PostgreSQL, MySQL, Snowflake โมเดลตั้งต้นคือ Nemotron ของ NVIDIA หรือใช้ endpoint ที่เข้ากันกับ OpenAI ตัวไหนก็ได้ ตอนเขียน repo มีราว 14,000 ดาว


สิ่งที่ต้องมี
- Docker ที่มี Compose v2
- uv ไว้รันสคริปต์โหลดข้อมูลและ MCP server
- NVIDIA API key ที่ขึ้นต้นด้วย
nvapi-จาก build.nvidia.com - Node.js ถ้าจะต่อ Claude Desktop (ใช้
npx mcp-remote) - พอร์ต 3000 ถึง 3003, 5050 และ 5432 ว่าง (5432 ไม่ว่าง ให้ตั้ง
POSTGRES_PORTใน.env)
ฐานข้อมูลที่ใช้ลองคือ Wide World Importers ข้อมูลขายสินค้าตัวอย่างของ Microsoft
ลองบนฐานข้อมูลตัวอย่างทีละขั้น
ขั้นที่ 1 — โหลดโค้ดและสร้าง .env
git clone https://github.com/NVIDIA/auto-ontology.git && cd auto-ontology
cp .env.example .env
เปิด .env แล้วแก้ค่าเหล่านี้ ข้อความใน < > ให้แทนด้วยค่าของเรา:
DEFAULT_MODELS_API_KEY=nvapi-...
AUTH_SECRET=<a long random string, e.g. from openssl rand -base64 32>
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>
AUTH_SECRETสร้างได้ด้วยopenssl rand -base64 32- บรรทัด
nvapi-your-api-key-hereที่เหลือใน.env.exampleใส่ key แทน หรือลบทิ้งให้ไปใช้DEFAULT_MODELS_API_KEY - อีเมลแอดมินคือ
AUTO_ONTOLOGY_ADMIN_EMAIL(ค่าตั้งต้นadmin@nvidia.com) ระบบปิดการสมัครเอง บัญชีนี้คือทางเข้าทางเดียว - เปลี่ยนรหัสผ่านทุกตัวก่อนเปิด เพราะ Compose เปิด Postgres, pgAdmin และหน้าเว็บออกมาที่เครื่อง

ขั้นที่ 2 — เปิด Postgres แล้วโหลดข้อมูลตัวอย่าง
สคริปต์โหลดข้อมูลอยู่ใน repo auto-ontology-eval รันในโฟลเดอร์ auto-ontology แก้ <the same password> เป็นรหัส Postgres จากขั้นที่ 1:
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)
ขั้นที่ 3 — เปิดทั้งระบบ
docker compose up -d --build
ถ้ามีตัวไหนไม่ขึ้น ดูสถานะด้วย docker compose ps -a
ขั้นที่ 4 — เข้าเว็บแล้วเปิด Semantic Compilation
เปิด http://localhost:3000 เข้าด้วยอีเมลและรหัสแอดมินจาก .env ไปที่ Settings → Semantic Compilation แล้วเปิด ระบบเริ่มสร้าง ontology ทันที รอจนขึ้น Semantic compilation is ready
ขั้นที่ 5 — ถามใน Chat
ข้อมูลตัวอย่างเป็นภาษาอังกฤษ ถามตาม README ก่อน:
What was revenue for the USB food flash drive - sushi roll in Pennsylvania in June 2015?
แต่ละคำตอบใน Chat มี SQL ให้ดู และดูแถวข้อมูล โหลด CSV หรือดูเป็นกราฟได้
ต่อ AI ที่ใช้อยู่ผ่าน MCP
MCP server ให้ AI เรียกเครื่องมือแบบอ่านอย่างเดียว ตัวหลักคือ ask_question (ได้คำตอบ SQL และแถวข้อมูล) กับ check_answerable (เช็กก่อนว่าแผนที่ครอบคลุมคำถามไหม)
ขั้นที่ 6 — รัน MCP server
เปิด Terminal ใหม่แล้วรัน (server ฟังที่พอร์ต 3003):
AUTO_ONTOLOGY_API_URL=http://localhost:3000 \
uvx --from "git+https://github.com/NVIDIA/auto-ontology.git#subdirectory=mcp" auto-ontology-mcp
uvx auto-ontology-mcp เฉยๆ ยังใช้ไม่ได้จนกว่าจะขึ้น PyPI ต้องมี --from แบบด้านบน
ขั้นที่ 7 — ใส่ config ในแอป AI
Cursor แก้ไฟล์ ~/.cursor/mcp.json:
{
"mcpServers": {
"auto-ontology": { "url": "http://localhost:3003/mcp" }
}
}
Claude Desktop แก้ไฟล์ claude_desktop_config.json ต่อผ่าน mcp-remote:
{
"mcpServers": {
"auto-ontology": {
"command": "npx",
"args": ["mcp-remote", "http://localhost:3003/mcp"]
}
}
}
รีสตาร์ตแอป แล้วล็อกอินบัญชี Auto Ontology ตอนแอปเด้งถาม ไม่ต้องวาง token เอง ทุกคำสั่งรันด้วยสิทธิ์ของคนที่ล็อกอิน
ถ้าแอปล็อกอินไม่ได้ docs ให้เช็กด้วยคำสั่งนี้ ต้องได้ 200:
curl -s -o /dev/null -w '%{http_code}\n' http://localhost:3000/.well-known/oauth-authorization-server

ตัวอย่างจาก README
ตัวอย่างที่ 1 — ตอบได้ พร้อมที่มา
คำถามจากขั้นที่ 5 AI แปล revenue, product และ state เป็น term ตามความสัมพันธ์ไปหา join แล้วรัน query คำตอบใน README คือ $588.80 จาก 3 invoice lines พร้อม SQL และขั้นตอน:
Steps: Resolved terms: Invoice Line (revenue), Stock Item, State Province, Invoice
Joined: invoice line -> invoice -> customer -> city -> state province
Validated the filter values against the data, then executed
เอา SQL ที่แนบมาไปรันเองเพื่อเช็กตัวเลขได้
ตัวอย่างที่ 2 — ตอบไม่ได้ ก็บอกตรงๆ
ข้อมูลตัวอย่างไม่มีค่าโฆษณา ถามเรื่อง return on ad spend ผ่าน AI ที่ต่อ MCP ไว้ มันเรียก check_answerable ก่อน:
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?
ได้ coverage 0.5 และไม่มี term ไหนครอบคลุม ad spend AI เลยไม่แต่งตัวเลข แต่ถามกลับว่าจะเอารายได้แทนไหม หรือข้อมูลโฆษณาอยู่ที่อื่น

ข้อควรระวัง
- ลองบนเครื่องตัวเอง อย่าเปิดออกเน็ต Compose เปิดพอร์ต 3001 และ 3002 ด้วย แต่ README ให้สองพอร์ตนี้อยู่ในเน็ตเวิร์กส่วนตัว เพราะ backend เชื่อตัวตนที่หน้าเว็บส่งมา และ ingestion service (ingest, ลบ, reset, compile) ไม่มีการล็อกอิน
- ข้อมูลวิ่งไปที่โมเดล ตอนสร้าง ontology ระบบอ่าน schema และค่าตัวอย่าง แล้วใช้โมเดลเขียนคำอธิบายคอลัมน์ ค่าตั้งต้นคือ API ของ NVIDIA จะใช้กับข้อมูลจริง เช็กกับทีมก่อน หรือเปลี่ยนไปใช้โมเดลที่โฮสต์เอง ผ่าน
<ROLE>_ENDPOINT,<ROLE>_API_KEY,<ROLE>_MODEL - อย่าเปิด Predictions โดยไม่ตรวจ ถ้าตั้ง
KUMO_RFM_API_URLระบบจะอัปโหลดตารางขึ้นบริการ KumoRFM - ร่างแรกยังไม่ใช่ของจริง ต้องให้คนที่รู้เรื่องข้อมูลลองด้วยคำถามจริงแล้วรับรองก่อนใช้
- ไม่ใช่ทุกงานต้องใช้ README บอกเองว่าฐานข้อมูลเดียวที่ออกแบบดีกับคำถามตายตัว เขียน SQL ตรงๆ อาจพอ
- บทความนี้ไม่ใส่ตัวเลขความแม่นยำ อยากวัดกับข้อมูลเราเอง ใช้ auto-ontology-eval ที่ถามชุดเดียวกันกับโมเดลเดียวกัน แบบมีและไม่มี ontology แล้วเทียบผล
- ติดตั้งแบบทางการคือ Helm บน Kubernetes Compose ไว้ลองบนเครื่องเดียว เลิกลองใช้
docker compose downส่วนdocker compose down -vลบข้อมูลทิ้งด้วย
สิ่งที่ได้
- รู้ว่าทำไม AI ตอบตัวเลขบริษัทผิด และ ontology แก้ตรงไหน
- ลอง Auto Ontology บนข้อมูลตัวอย่าง ตั้งแต่
.envจนถามใน Chat - ต่อ Cursor หรือ Claude Desktop ผ่าน MCP ให้ AI เช็กก่อนตอบ
ลองต่อได้เลย: ถามคำถามที่ข้อมูลตัวอย่างไม่มี แล้วดูว่า AI บอกตรงๆ ไหม อยากให้ AI ทำงานกับข้อมูลและเครื่องมือของเราได้มากกว่าแชตถามตอบ ดูคอร์สทั้งหมด