Nvidia publie Auto Ontology, une couche de raisonnement pour les agents qui interrogent les données d'entreprise

Nvidia a mis Auto Ontology sur GitHub le 3 novembre. Cette bibliothèque Python sous Apache 2.0 se place entre un agent et les bases de données qu'il interroge. Le README du projet pose le problème sans détour. Les agents savent déjà récupérer des documents et lancer des requêtes, mais un chiffre d'affaires qui arrive vite et faux ne vaut rien.

La bibliothèque génère une ontologie à partir des métadonnées d'entreprise. Elle réconcilie les définitions qui divergent d'un système à l'autre. Puis elle expose le résultat à « n'importe quel harnais d'agent » via MCP, une interface en ligne de commande et une API. Selon le README, elle complète les modèles sémantiques que le client possède déjà au lieu de les remplacer.

« Validate : vérifier les requêtes générées par rapport aux définitions certifiées et à la lignée ; renvoyer la provenance avec chaque réponse », indique la documentation. La boucle learn réintègre les corrections certifiées dans l'ontologie. Le contexte partagé évolue donc avec l'usage.

La pile listée dans le dépôt est assez ordinaire pour être auditée. Postgres stocke l'ontologie à côté du catalogue qu'elle décrit. Le backend fait tourner FastAPI sur Python 3.12 ou plus récent, avec LangChain pour convertir le langage naturel en SQL. Le frontend est Next.js 16 avec React 19, Prisma et Better Auth. Nvidia NIM alimente l'interrogation en langage naturel. Le déploiement passe soit par un chart Helm pour Kubernetes, soit par Docker Compose pour une pile locale. Le projet n'accepte pas de contributions externes. Il tient donc davantage d'une implémentation de référence que d'un fork communautaire.

Cela compte pour quiconque construit un pipeline de fine-tuning ou d'évaluation. Un modèle ajusté qui écrit du SQL ne vaut que ce que valent les définitions sur lesquelles il a été entraîné. Le dépôt renvoie les lecteurs vers un dépôt séparé d'évaluation SQL d'ontologie pour lancer des benchmarks comme BIRD.

Des agents en laisse, et une école pour les casser

Le problème de contexte n'est pas propre à Nvidia. Cisco a publié Project Quarry en open source le 28 octobre. C'est un moteur de détection de comportement qui surveille des sessions d'agent entières plutôt que des appels d'outil isolés. Amy Chang, responsable de la recherche sur les menaces et la sécurité IA chez Cisco, a déclaré à The Register dans un entretien exclusif que la plupart des détections ratent « tout le contexte dans lequel quelque chose peut se produire ». Elle compare cela à la fraude bancaire. Une transaction bizarre peut passer, mais une séquence de transactions raconte une histoire.

Quarry couvre les conversations à un ou plusieurs tours, l'usage d'outils, les interactions avec le Model Context Protocol et les entrées multimodales. Il est livré avec des plugins pour Claude Code, Codex et d'autres agents compatibles MCP. Le dépôt contient un guide d'écriture de règles et un pack de démarrage. C'est ce qui ressemble le plus à un programme pédagogique dans le domaine aujourd'hui.

Pour quelque chose de plus direct, l'AI Red Team Academy a publié le 3 novembre un cours gratuit et open source sur l'art de casser les systèmes d'IA. C'est un cours, pas un produit. Aucun chiffre d'inscription n'est public.

Les outils pour faire tourner plusieurs agents de codage en même temps ont aussi mûri cette semaine. Friday, mis sur GitHub le 1er novembre, pilote les outils de codage déjà connectés sur une machine. Cela inclut Claude Code, Codex, Cursor, Gemini CLI et GitHub Copilot. Il passe une tâche à l'agent suivant quand l'un atteint sa limite d'usage. Il n'a besoin ni de clés API ni de compte. Son README précise que les seules données renvoyées sont quelques compteurs d'usage anonymes, désactivables.

Des projets plus petits comblent les trous sur les bords. Octomind, un harnais d'IA écrit en Rust qui prétend économiser des tokens, a été mis à jour le 3 novembre. Local Flow, une application de dictée macOS qui fait tourner Whisper via whisper.cpp avec Metal, a été mise à jour le même jour. Aucun des deux ne fournit de benchmarks, donc l'affirmation sur les tokens reste celle de l'auteur.

La question d'argent que personne n'a publiée en open source

Savoir si tout cela est rentable est un autre débat. Une étude publiée le 3 novembre demande directement si héberger un moteur d'inférence open source est rentable. L'étude pose la question sans y répondre.

La pression est visible ailleurs dans la pile. OpenAI a annoncé le 3 novembre qu'il quadruple les primes de son programme de bug bounty. Les vulnérabilités critiques dans ChatGPT ou Codex valent jusqu'à 30 000 dollars, et les découvertes exceptionnelles jusqu'à 100 000 dollars. Les bonus portent le plafond à environ 172 000 dollars, selon The Decoder. Quiconque a signalé une faille dans les 30 jours précédents touche la différence de façon rétroactive.

OpenAI réécrit aussi son propre vocabulaire. The Verge a rapporté le 3 novembre que l'entreprise appelle désormais ses centres de données des « campus de calcul ». Le terme apparaît dans une annonce d'environ 900 mots pour son Grid Protectors Program, tandis que « centre de données » revient deux fois. Holly Elmore, de PauseAI US, a déclaré à The Verge que ce n'est pas le nom qui rend ces installations impopulaires.

« Les rebaptiser campus de calcul peut tromper les auditeurs une ou deux fois, mais ce n'est pas le nom centre de données qui est impopulaire », a dit Elmore.

Rien de tout cela ne règle la question de ce que devrait être une pile de fine-tuning open source en production. Mais les sorties de la semaine pointent dans une direction. Le modèle est la partie bon marché. Les définitions, la provenance et l'évaluation autour sont là où se trouvent désormais le travail, et l'examen.