Nvidia、エンタープライズAIエージェントをコンテキストに基づいて動作させるためのオープンソーススタックを公開

Nvidiaは、エンタープライズAIエージェントが複雑な社内データを解釈するのを支援する新しいオープンソースコレクション「Agent Knowledge Foundation」を導入しました。2026年10月21日にベルリンで開催されたGTCカンファレンスで発表されたこのツールキットは、大規模言語モデル（LLM）が構造化されたビジネス情報とやり取りする際にしばしば生じる「コンテキストギャップ」の解消を目指しています。この動きにより、Nvidiaは既存のデータプラットフォームとの直接的な競合相手ではなく、知能レイヤーのプロバイダーとしての位置づけを確立します。

何が起きたか

現在、企業が直面している核心的な課題は、AIをデータソースに接続することだけでなく、そのデータ内の関係をAIが正しく理解することを保証することです。Snowflake、Databricks、Palantirなどのベンダーはストレージやアクセス制御を管理していますが、エージェントが複雑なタスクを実行するために必要な意味的な理解（セマンティック・アンダースタンディング）を必ずしも提供していません。Nvidiaの新しいAgent Knowledge Foundationは、同社のAgent Toolkitに追加され、いくつかの主要なコンポーネントをバンドルしています。具体的には、Nemotron Retrieverモデル、Auto-Ontologyライブラリ、構造化データ向けのKumoファミリーモデル、そしてCUDA-Xデータ処理ライブラリです。このアプローチにより、企業はデータを元の場所に保持したまま、エージェントによるデータの解釈方法を強化できます。

Nvidiaのエージェント型AI製品担当副社長であるAdel El Hallak氏は、現在のセットアップの限界を強調しました。彼は、エージェントをSnowflakeやメール交換などのシステムに単に接続しても、AIがエンタープライズのコンテキストを理解する魔法のような効果は得られないと指摘しています。大規模言語モデルは次のトークンを予測することには長けていますが、複数のタブを持つスプレッドシートや分散したデータベースにわたる具体的なクエリには苦戦します。新しい基盤は、検索精度の向上と、生データを意味のあるビジネス概念へのマッピングを通じて、このギャップを埋めることを目指しています。

仕組み

この基盤は、3つの主要な技術的柱に依存しています。第一に、Nemotron Retriever埋め込みモデルは、個々の検索において速度よりも精度に焦点を当てることで、検索関連性を向上させます。Nvidiaによれば、これは必要な検索ステップの総数を削減し、結果として全体の遅延を低減します。オープンソースのOpenSearch環境でのテストでは、このモデルは検索関連性を65%改善しました。SAPやServiceNowなどのパートナーは、著しいパフォーマンス向上を報告しており、SAPのファインチューニングされたリランカーはほぼ3倍高速に動作し、ServiceNowは25%少ない遅延でより高品質な結果を得ています。

第二に、Auto-Ontologyライブラリは、ナレッジグラフを構築することで、単純な検索拡張生成（RAG）を超えた機能を提供します。これらのグラフは概念間の関係をマッピングし、例えばモバイルキャリアのデータにおける「tier」と「plan」のリンクなど、LLMが混同しがちな要素を明確にします。このライブラリは、2月に約7,500万ドルで買収した、自動セマンティックレイヤーを専門とするイスラエルスタートアップIllumexの技術によって強化されました。ライブラリはREST APIとModel Context Protocolサーバーを公開しており、エージェントはこれらの構造化された関係を直接クエリできます。

第三に、Kumoファミリーのモデルは、関係データに対する予測を処理します。6月に4億ドル以上の価値がある取引でNvidiaに買収されたKumoは、表形式データ用の基盤モデルを提供します。これらのモデルは、解約予測や感情分析などの特定のタスク向けに以前から構築されていたカスタムパイプラインを置き換えます。オントロジーを通じてデータを統合することで、Kumoモデルは異なるテーブル間で一貫した予測分析を推進できます。

主要な詳細

• コンポーネントバンドル: Agent Knowledge Foundationには、Nemotron Retrieverモデル、Auto-Ontologyライブラリ、Kumoモデル、CUDA-Xライブラリが含まれています。
• パフォーマンス向上: Nemotron RetrieverはOpenSearchテストで検索関連性を65%向上させました。SAPのリランカーは3倍高速に動作しました。
• オントロジー自動化: Auto-Ontologyライブラリは、企業のテーブルからナレッジグラフを構築し、顧客や注文などのビジネス概念へ生データをマッピングします。
• 戦略的買収: Nvidiaはこのスタックをサポートするため、2月にIllumexを約7,500万ドルで、6月にKumoを4億ドル以上で買収しました。
• パートナー統合: このスタックはPalantir Foundry、Databricks Genie Ontology、Snowflake Notebooksと統合されており、アクセス制御はパートナーに任されています。
• 配布: モデルはHugging Face経由で配布されます。これは9月にNvidiaがプラットフォームを買収するための129億ドルの契約を結んだことに従っています。

なぜ重要なのか

ソフトウェアエンジニアやテクニカルリードにとって、このリリースはエージェント型ワークフローの構築に向けたモジュール式でオープンソースなコンポーネントへのシフトを示唆しています。AIスタックのすべての層に対してモノリシックなベンダーソリューションに依存する代わりに、チームは検索、セマンティックマッピング、予測のための専門化されたモデルを統合できるようになりました。このモジュール性により、特に遅延と精度が重要なトレードオフとなる大量のエンタープライズデータを扱う際に、パフォーマンスとコストに対するより細かい制御が可能になります。

さらに、オントロジーへの重点は、RAG実装における永続的なペインポイント、すなわち構造的理解の欠如に対処します。セマンティックレイヤーの作成を自動化することで、Nvidiaはデータベーススキーマを自然言語クエリと整合させるために必要な手動作業を削減します。この調和により、より信頼性の高い予測分析が可能になり、非構造化テキスト検索に関連するハルシネーション（幻覚）リスクが軽減されます。また、エンタープライズAIエコシステムにおける役割分担も明確になります。Nvidiaは知能レイヤーを提供し、Snowflakeなどのパートナーはセキュリティとデータガバナンスを管理します。

あなたができること

• 現在の検索インフラストラクチャ上でNemotron Retrieverモデルを評価し、潜在的な関連性向上を測定してください。
• 提供されているREST APIを使用して、既存のデータベーステーブルをビジネス概念にマッピングするためにAuto-Ontologyライブラリを検討してください。
• カスタム構築のパイプラインを置き換えるため、解約予測や異常検出などの表形式データタスクでKumoモデルをテストしてください。
• Snowflake NotebooksやDatabricks Genie Ontologyなど、現在のデータプラットフォームとの統合オプションを確認してください。
• オープンウェイトのKumoおよびNemotronモデルの更新について、Hugging Faceリポジトリを監視してください。
• チームがカスタムのセマンティックレイヤーを構築する必要があるのか、それとも基盤内の自動化ツールで十分なのかを評価してください。