NamiDB · Ejemplos

Diecinueve casos de uso, ejecutándose contra el motor real.

Un problema de gerencia por industria — con datos sintéticos, el modelo de grafo, y las consultas Cypher que revelan la red. Cada carpeta de cases/ es una base lista para copiar y empezar tu propio desarrollo.

Sitio en vivo · namidb.com · Documentación · Imagen Docker

---

Todo aquí corre sobre el mismo motor que instalas con pip install namidb: no hay simulaciones ni respuestas grabadas. El sitio web ejecuta las consultas dentro de funciones Python en Vercel contra memory://, y localmente puedes correr cualquier caso desde la terminal en segundos.

60 segundos

pip install namidb
python cases/run.py banca-aml

Verás el grafo sembrarse y cada consulta del caso imprimir la red que detecta: anillos de mulas, ciclos de dinero, empresas hermanas. Cambia el caso por cualquier slug de la tabla de abajo.

Persistir en tu propia nube es un cambio de una línea — la URI es toda la config:

python cases/run.py banca-aml --store "s3://mi-bucket?ns=demo&region=us-east-1"
# o file:///… , gs://… , az://…  — el bucket es la base de datos.

Los diecinueve casos

#	Caso	Industria	Qué revela
01	banca-aml	Banca — Lavado de activos	Anillos de cuentas, ciclos de dinero, empresas hermanas
02	grupos-economicos	Banca — Partes relacionadas	Exposición real del grupo, garantías cruzadas
03	seguros-siniestros	Seguros — Fraude en siniestros	Talleres/peritos recurrentes, reclamantes conectados
04	contratacion-publica	Gobierno — Contratación	Beneficiario final común, colusión, sancionados
05	subsidios	Gobierno — Subsidios	Duplicados complejos, cuentas intermediarias
06	salud-paciente	Salud — Visión del paciente	Interacciones, pruebas duplicadas, contraindicaciones
07	agro-trazabilidad	Agro — Trazabilidad	Origen de contaminación, retiro selectivo
08	agro-cumplimiento	Agro — Cumplimiento	Embarques sin certificación, documentos vencidos
09	energia-activos	Energía — Activos	Contexto de alarma, fallas recurrentes
10	proveedores-compras	Industria — Compras	Proveedor duplicado en varios ERP, gasto real
11	recomendaciones	Comercio — Recomendaciones	Complementarios, evitar devoluciones, segmentos
12	telecom-causa-raiz	Telecom — Causa raíz	De cien alarmas a una causa, impacto por SLA
13	ciberseguridad	Ciberseguridad — Rutas de ataque	Priorización por exposición real, no por CVSS
14	agentes-conocimiento	Agentes IA — Conocimiento	Búsqueda híbrida, versión vigente, expertos
15	agro-sanidad	Agro — Biovigilancia fitosanitaria	Súper-propagador a poner en cuarentena, focos y zonas de contención
16	agro-riego	Agro — Riego y derechos de agua	Impacto de una falla aguas abajo, sobre-extracción, infraestructura crítica
17	agro-rendimiento	Agro — Brecha de rendimiento	Parcela gemela por búsqueda vectorial, práctica que mueve la aguja
18	retail-abastecimiento	Comercio y agroindustria — Abastecimiento	Ingreso en riesgo por proveedor único, causa raíz de quiebres, merma y sustitución
19	banano-exportacion	Agro-exportación — Banano al mundo	Concentración de mercado, precio realizado vs oficial, causa raíz de reclamos de calidad

Cada carpeta tiene un README.md con la historia, el modelo de grafo y qué demuestra cada consulta.

Anatomía de un caso

cases/c01_banca_aml/
├── __init__.py      # META (la historia del deck), LEYENDA, seed(db), QUERIES
└── README.md        # problema → modelo → consultas → cómo adaptarlo

• seed(db) carga un dataset sintético 100 % determinista (mismo grafo en cada corrida) con un patrón real plantado dentro del ruido.
• QUERIES son las consultas Cypher nombradas que aparecen en el sitio y en la terminal; cada una responde a un punto del "qué revela el mapa" del caso.
• cases/common.py es el toolkit compartido: RNG sembrado, nombres y empresas LATAM, embeddings offline deterministas y carga por lotes con UNWIND.

El sitio web

Una SPA (Vite + React) con una landing de los 19 casos y, por caso, el grafo interactivo en vivo y un editor de Cypher que ejecuta contra el motor real.

npm install
# Terminal 1 — las mismas funciones que Vercel, en local:
python scripts/dev_server.py
# Terminal 2:
npm run dev

El backend son tres funciones Python en api/ (meta, graph, cypher) que comparten un cliente NamiDB embebido por caso. En producción son funciones serverless de Vercel; en local las sirve scripts/dev_server.py.

Tests

La suite siembra cada caso y comprueba que cada consulta devuelve filas — o sea, que el patrón plantado realmente se detecta. Corre contra el wheel publicado, el mismo que usa el sitio:

pip install namidb pytest
pytest tests/ -q

Licencia

MIT — copia, adapta y construye. (El motor NamiDB es BSL 1.1.)