Syv praktiske veje ind i Verisyntax.

1. Find danske kunder

dataset danish_customers:
  from customers as customer
  select customer.id as id
  select customer.name as name
  where customer.country = "DK"

Resultat: Customer A, Customer C og Customer D i det anonymiserede eksempel.

2. Kombinér kunder og ordrer

dataset paid_customer_orders:
  from customers as customer
  inner join orders as order_item on customer.id = order_item.customer_id
  select customer.name as customer_name
  select order_item.total as total
  where order_item.status = "paid"

Compileren afviser ukendte aliases, kolonner med inkompatible typer og joins på tværs af databaseforbindelser.

3. Estimér en andel

p ~ beta(alpha = 2, beta = 2)
successes ~ binomial(trials = 20, probability = p)
observe successes = 14
ask p
  interval 0.89 hdi

Resultatet forklarer posterior mean, HDI, effektiv stikprøvestørrelse, R-hat, acceptance og seed.

4. Følg claims fra artikler over tid

Importér rå TXT-artikler enkeltvis eller i en batch. En lokal model kan foreslå ordrette, logikbærende passager fra hele teksten; derefter struktureres ét redigerbart claim ad gangen fra den valgte evidens.

Passagerne kontrolleres mod det gemte kildesnapshot. Claim Library viser version, status, evidens og hash, og kun en særskilt godkendelse skaber et aktivt fact.

5. Arbejd sikkert med aggregerede sundhedsdata

Det syntetiske eksempel kombinerer 14 aggregerede rækker fra to perioder og tre hospitaler med organisationsmetadata. Resultatet filtrerer en deklareret diagnosegruppe og bevarer kontakttype samt endelig/foreløbig rapporteringsstatus.

Grain, revisioner og nævner betyder noget: rå kontaktantal er ikke patienter, prævalens, risiko eller kvalitet.

6. Find indirekte afhængigheder

depends_on(report, dataset)
depends_on(dataset, source)

indirect_dependency(X, Z)
  if depends_on(X, Y)
  and depends_on(Y, Z)

ask indirect_dependency(report, What)

Open-world-resultatet binder What = source og viser begge facts i proof.

7. Undersøg associationer før modellering

Den lokale C++-runtime kan scanne op til 1.000 komplette importerede rækker og vise effektstørrelse, p-værdi, Benjamini-Hochberg-korrigeret q-værdi, mønstereksempel og datakvalitetsadvarsler.

Resultatet er eksplorativt og ikke kausalitet, et fact eller row-level evidens. Udvalgte kandidater føjes kun til en redigerbar lokal-AI-request.