Apple confie à Glyph la documentation des données

Apple présente Glyph, un système de production destiné à documenter et classifier les colonnes des catalogues de données d’entreprise. Le projet traite deux tâches liées : générer une description de colonne et annoter son type pour la classification des données. Glyph orchestre plusieurs agents de modèles de langage sous forme de graphes avec état. Le système vise les lacs de données, où les tables s’accumulent plus vite que leur documentation humaine. Cette dette documentaire affecte la découverte des données, le contrôle des accès et la conformité réglementaire. Apple détaille cette approche dans sa présentation de Glyph, publiée en septembre 2026.

Le système sépare deux agents, appelés Descriptor et Tagger. Descriptor fonde chaque description sur le code source du pipeline qui produit la colonne. Il récupère ce code à la demande dans un dépôt GitHub d’entreprise. Cette récupération utilise une boucle d’action et de raisonnement, décrite comme une génération augmentée par récupération active. Tagger attribue ensuite des labels issus d’une ontologie gouvernée de classification des données. Cette ontologie comporte 275 feuilles. Les deux fonctions coopèrent dans une architecture orientée production. Apple présente Glyph comme un service auditable, notamment grâce à la provenance associée à chaque label.

Glyph combine trois stratégies de classement

Trois stratégies travaillent en parallèle dans Tagger. La première analyse la description de la colonne. La deuxième applique des expressions régulières propres aux lignes d’activité. La troisième exploite les métadonnées avec un encodeur contrastif ajusté et une base de données vectorielle. Le système fusionne ensuite les résultats classés grâce à la Reciprocal Rank Fusion, ou RRF. Cette combinaison constitue le mécanisme central d’annotation multi-étiquette. Apple évalue séparément chaque stratégie et la fusion RRF. L’approche se distingue aussi par une conception sans utilisation des valeurs de données, un ancrage dans le code et une dégradation progressive.

L’encodeur MiniLM progresse nettement sur un échantillon interne conservé pour l’évaluation. Apple ajuste un encodeur MiniLM composé de six couches avec un objectif contrastif par lots. Le NDCG@10 de la récupération des mêmes tags passe de 0,55 à 0,92. La mesure MAP@100 progresse de 0,19 à 0,90. Ces résultats comparent l’encodeur ajusté à l’encodeur de base fourni. L’évaluation porte sur une séparation de test dans la distribution. Apple rapporte également la qualité de l’annotation multi-étiquette avec un objectif F2 pondéré par le rappel. Trois groupes d’évaluation sont utilisés pour cette mesure.

Apple documente une architecture auditable

La provenance accompagne chaque résultat produit par Glyph. Le système relie les descriptions au code des pipelines utilisés pour produire les colonnes. Les sorties du Tagger conservent aussi l’origine des labels attribués. Cette conception permet d’examiner les contributions des trois stratégies et de la fusion RRF. Apple compare Glyph aux travaux antérieurs d’annotation des types de colonnes. Le système est également distingué des scanners commerciaux de sensibilité fondés sur les valeurs ou les expressions régulières. Les auteurs décrivent enfin des choix d’ingénierie liés au fonctionnement comme service de production. Le prépublication arXiv présente les détails techniques de cette méthode.