Nvidia rende open source Auto Ontology, un livello di ragionamento per gli agenti che interrogano i dati aziendali

Nvidia ha caricato Auto Ontology su GitHub il 3 novembre. È una libreria Python con licenza Apache 2.0 che sta tra un agente e i database che interroga. Il README del progetto mette subito in chiaro il problema. Gli agenti sanno già recuperare documenti ed eseguire query, ma un dato sul fatturato che arriva veloce e sbagliato non vale nulla.

La libreria genera un'ontologia a partire dai metadati aziendali. Riconcilia le definizioni che non coincidono da un sistema all'altro. Poi espone il risultato a "qualsiasi harness per agenti" tramite MCP, un'interfaccia a riga di comando e un'API. Secondo il README, integra i modelli semantici che un cliente possiede già invece di sostituirli.

"Validate: check generated queries against certified definitions and lineage; return provenance with every answer," si legge nella documentazione. Il ciclo di apprendimento riporta le correzioni certificate dentro l'ontologia. Il contesto condiviso cambia quindi con l'uso.

Lo stack elencato nel repository è abbastanza ordinario da poter essere verificato. Postgres conserva l'ontologia accanto al catalogo che descrive. Il backend gira su FastAPI con Python 3.12 o successivo, e LangChain gestisce il passaggio dal linguaggio naturale a SQL. Il frontend è Next.js 16 con React 19, Prisma e Better Auth. Nvidia NIM alimenta l'interrogazione in linguaggio naturale. Il deployment avviene con un chart Helm per Kubernetes oppure con Docker Compose per uno stack locale. Il progetto non accetta contributi esterni. È più vicino a un'implementazione di riferimento che a un fork della comunità.

La cosa conta per chi costruisce pipeline di fine-tuning o di valutazione. Un modello addestrato a scrivere SQL vale quanto le definizioni su cui è stato addestrato. Il repository rimanda a un altro repository dedicato alla valutazione SQL delle ontologie, per eseguire benchmark come BIRD.

Agenti al guinzaglio, e una scuola per romperli

Il problema del contesto non è solo di Nvidia. Cisco ha reso open source Project Quarry il 28 ottobre. È un motore di rilevamento dei comportamenti che osserva intere sessioni di un agente invece delle singole chiamate agli strumenti. Amy Chang, responsabile della ricerca su minacce e sicurezza AI di Cisco, ha detto a The Register in un'intervista esclusiva che al rilevamento sfugge quasi sempre "l'intero contesto in cui qualcosa può accadere". Ha paragonato la cosa alle frodi sulle carte di credito. Una singola operazione anomala può passare, ma una sequenza racconta una storia.

Quarry copre conversazioni a turno singolo e multiplo, uso di strumenti, interazioni con il Model Context Protocol e input multimodali. Arriva con plugin per Claude Code, Codex e altri agenti compatibili MCP. Il repository include linee guida per scrivere regole e un pacchetto iniziale. È quanto di più simile a un programma di studi il settore offra oggi.

Per qualcosa di più diretto, l'AI Red Team Academy ha pubblicato il 3 novembre un corso gratuito e open source su come attaccare i sistemi di intelligenza artificiale. È un corso, non un prodotto. Non sono pubblici i numeri delle iscrizioni.

Anche gli strumenti per far girare più agenti di programmazione insieme sono maturati questa settimana. Friday, pubblicato su GitHub il 1 novembre, pilota gli strumenti di coding già autenticati su una macchina. Tra questi Claude Code, Codex, Cursor, Gemini CLI e GitHub Copilot. Sposta un compito all'agente successivo quando uno raggiunge il proprio limite di utilizzo. Non richiede chiavi API né account. Il README dice che gli unici dati inviati indietro sono alcuni conteggi d'uso anonimi, disattivabili.

Progetti più piccoli riempiono i vuoti ai margini. Octomind, un harness per AI scritto in Rust che dichiara di risparmiare token, è stato aggiornato il 3 novembre. Local Flow, un'app di dettatura per macOS che esegue Whisper tramite whisper.cpp con Metal, è stata aggiornata lo stesso giorno. Nessuno dei due pubblica benchmark, quindi la promessa sui token resta dell'autore.

La questione economica che nessuno ha reso open source

Se tutto questo si ripaghi è un discorso a parte. Uno studio pubblicato il 3 novembre chiede direttamente se ospitare un motore di inferenza open source sia redditizio. Lo studio pone la domanda e non risponde.

La pressione si vede in un altro punto dello stack. OpenAI ha detto il 3 novembre che quadruplica i premi del bug bounty. Le vulnerabilità critiche in ChatGPT o Codex valgono fino a 30.000 dollari, e i casi eccezionali fino a 100.000. I bonus portano il tetto a circa 172.000 dollari, secondo The Decoder. Chi ha segnalato un difetto negli ultimi 30 giorni riceve la differenza in modo retroattivo.

OpenAI sta anche riscrivendo il proprio vocabolario. The Verge ha riferito il 3 novembre che l'azienda ha iniziato a chiamare i data center "compute campus". Il termine è comparso in un annuncio di circa 900 parole per il suo Grid Protectors Program, mentre "data center" è apparso due volte. Holly Elmore di PauseAI US ha detto a The Verge che non è il nome a rendere impopolari le strutture.

"Ribattezzarli 'compute campus' può ingannare chi ascolta una o due volte, ma non è il nome 'data center' a essere impopolare," ha detto Elmore.

Niente di tutto questo chiarisce come dovrebbe essere uno stack di fine-tuning open source in produzione. Ma le uscite della settimana indicano una direzione. Il modello è la parte che costa poco. Le definizioni, la provenienza e la valutazione attorno ad esso sono dove ora stanno il lavoro e l'esame.