Demo SETUP INSTRUCTIONS

Navigation: Home > Demo

ThemisDB Demo Data Setup

Automatische Generierung und Import von umfassenden Demo-Daten für die Kickstarter-Video-Demo.

🚀 Quick Start (2 Minuten)

Schritt 1: Setup-Script ausführen

cd C:\Projects\ThemisDB

# Stelle sicher, dass ThemisDB Server läuft
# (oder starte ihn in einem separaten Terminal)

# Führe das Setup-Script aus
.\demo\setup\setup_demo_data.ps1

Das Script wird automatisch:

1. ✅ Demo-Daten generieren (Python-Script)
2. ✅ 3 Collections erstellen (articles, embeddings, knowledge_graph)
3. ✅ ~30 Demo-Records importieren
4. ✅ Alles verifizieren

Schritt 2: Demo starten

.\demo\kickstarter_demo_script.ps1

---

📊 Generierte Demo-Daten

1. Document Collection (demo_articles)

13 Research Papers zu verschiedenen Themen:

Thema	Anzahl	Beispiele
AI & Deep Learning	4	ResNet, Vision Transformer, YOLO, Transformers
Quantum Computing	2	NISQ Algorithms, Quantum ML
Data Science	3	Time Series, Graph Neural Networks, Vector Databases
Databases	2	Multi-Model Architecture, Transactions
AI Security & Ethics	2	Adversarial Robustness, Ethical AI

Felder pro Artikel:

{
  "id": "doc_001",
  "title": "Deep Learning Architectures for Computer Vision",
  "author": "Dr. Alice Johnson",
  "category": "research",
  "published": "2024-03-15",
  "content": "This paper explores state-of-the-art...",
  "tags": ["AI", "deep-learning", "computer-vision"],
  "citation_count": 342
}

Demo-Query (Text Search):

FOR doc IN demo_articles
  FILTER doc.title LIKE '%AI%' OR doc.content LIKE '%machine learning%'
  SORT doc.published DESC
  LIMIT 5
  RETURN doc

---

2. Vector Collection (demo_embeddings)

13 Embeddings (128-dimensional vectors):

• Ein Embedding pro Artikel
• Mock-Vektoren (realistisch für Demo-Zwecke)
• Score zwischen 0.7-1.0 (Relevanz)
• Tags für jedes Embedding

Felder pro Embedding:

{
  "id": "vec_001",
  "doc_id": "doc_001",
  "title": "Deep Learning Architectures for Computer Vision",
  "author": "Dr. Alice Johnson",
  "embedding": [0.123, -0.456, 0.789, ...],
  "score": 0.95,
  "relevance_tags": ["AI", "deep-learning", "computer-vision"]
}

Demo-Query (Vector Search):

FOR vec IN demo_embeddings
  LET similarity = COSINE_SIMILARITY(vec.embedding, @query_embedding)
  FILTER similarity > 0.7
  SORT similarity DESC
  LIMIT 5
  RETURN { title: vec.title, similarity: similarity }

---

3. Graph Collection (demo_knowledge_graph)

Knowledge Graph mit 3 Datentypen:

Nodes (22 insgesamt)

• 10 Researchers (Dr. Alice Johnson, Prof. Bob Chen, etc.)

  • Affiliation: MIT, Stanford, Berkeley, Oxford, Cambridge, etc.
  • Fields: Deep Learning, NLP, Quantum Computing, etc.

• 7 Papers (Research papers zu verschiedenen Topics)

  • Years: 2024
  • Titles: Matching zu den Articles

• 4 Conferences

  • NeurIPS 2024, ICML 2024, ICCV 2024, VLDB 2024
  • Locations worldwide

Edges (16 insgesamt)

• wrote — Researcher hat Paper geschrieben
• cites — Paper zitiert anderes Paper
• collaborates_with — Forscher arbeiten zusammen
• presented_at — Paper wurde auf Konferenz präsentiert

Demo-Query (Graph Traversal):

FOR researcher IN demo_knowledge_graph
  FILTER researcher.type == 'researcher'
  FOR paper IN 1..2 OUTBOUND researcher._id graph_edges
    FILTER paper.type == 'paper'
  RETURN {
    researcher: researcher.name,
    paper: paper.title
  }

---

🔧 Setup Details

Requirements

• Python 3.7+
• themisctl gebaut (z. B. build-msvc-windows-release\bin\themisctl.exe)
• ThemisDB Server läuft auf localhost:8765

Was das Setup-Script tut

1. generate_demo_data.py

python .\demo\setup\generate_demo_data.py

Erzeugt 4 JSONL-Dateien in demo/data/:

• demo_articles.jsonl (13 Articles)
• demo_embeddings.jsonl (13 Embeddings)
• demo_knowledge_graph_nodes.jsonl (22 Nodes)
• demo_knowledge_graph_edges.jsonl (16 Edges)
• DATA_SUMMARY.md (Documentation)

2. setup_demo_data.ps1

.\demo\setup\setup_demo_data.ps1

Führt aus:

1. Python-Script aufrufen → Dateien generieren
2. Jede JSONL-Datei in themisctl importieren
3. Alle Collections verifizieren

Ablage in der ThemisDB Demo-DB (wichtig)

Die Demo-Daten werden nicht nur als Dateien erzeugt, sondern per themisctl put in die laufende Demo-DB geschrieben.

• Physischer DB-Pfad im Demo-Flow:
  • ./demo/data/themis_db (wenn der Server wie im Runbook mit --db .\\demo\\data\\themis_db gestartet wird)
• Primärschlüssel-Schema pro Collection:
  • demo_articles:art_0001 ... art_0013
  • demo_embeddings:vec_0001 ...
  • demo_knowledge_graph:node_0001 ... und demo_knowledge_graph:edge_0001 ...
• Payload-Schema beim Import:
  • Das Setup schreibt {"blob":"<jsonl-zeile-als-string>"}
  • Quelle: Import-JsonlViaPut in demo/setup/setup_demo_data.ps1

Beispiel (manuell inspizieren):

& .\build-msvc-windows-release\bin\themisctl.exe --host 127.0.0.1 --port 8765 get demo_articles:art_0001
& .\build-msvc-windows-release\bin\themisctl.exe --host 127.0.0.1 --port 8765 get demo_knowledge_graph:node_0001

---

📋 Troubleshooting

"themisctl not found"

# Build themisctl zuerst
cmake --build --preset windows-release --target themisctl

# Dann Setup-Script nochmal laufen
.\demo\setup\setup_demo_data.ps1

"Server connection refused"

# In separatem Terminal: Server starten
$SERVER_EXE = ".\build-msvc-windows-release\bin\themis_server.exe"
& $SERVER_EXE --db .\demo\data\themis_db --port 8765 --allow-degraded-build --allow-stub-hsm

# Dann in anderem Terminal: Setup-Script laufen
.\demo\setup\setup_demo_data.ps1

"Collection already exists"

# Alte Collections löschen (falls gewünscht)
themisctl admin drop-collection demo_articles
themisctl admin drop-collection demo_embeddings
themisctl admin drop-collection demo_knowledge_graph

# Dann Setup nochmal laufen
.\demo\setup\setup_demo_data.ps1

"Import failed"

# Prüfe ob JSONL-Dateien valide sind
Test-Path .\demo\data\demo_articles.jsonl

# Versuche manuellen Import
Get-Content .\demo\data\demo_articles.jsonl | themisctl batch-insert --collection demo_articles

---

📚 Weitere Ressourcen

• QUICKSTART.md — 5-Minuten Demo-Start
• DEMO_QUERIES.md — Aktueller PowerShell Live-Runbook
• README.md — Vollständiger Überblick

---

🎯 Use Cases für Video-Demo

Document Search (Minute 2-3)

FOR doc IN demo_articles
  FILTER doc.title LIKE '%AI%'
  RETURN { title: doc.title, author: doc.author, citations: doc.citation_count }

Voiceover: "Das ist Full-Text-Suche in Millionen von Artikeln..."

Vector Search (Minute 4-5)

FOR vec IN demo_embeddings
  LET sim = COSINE_SIMILARITY(vec.embedding, @query)
  FILTER sim > 0.7
  SORT sim DESC
  LIMIT 5
  RETURN { title: vec.title, score: ROUND(sim * 100, 1) }

Voiceover: "Semantische Suche - Bedeutung statt Keywords..."

Graph Traversal (Minute 6-7)

FOR researcher IN demo_knowledge_graph
  FILTER researcher.type == 'researcher'
  FOR paper IN 1 OUTBOUND researcher._id graph_edges
  RETURN { researcher: researcher.name, paper: paper.title }
LIMIT 8

Voiceover: "Graph-Navigation - Beziehungen zwischen Daten..."

---

✅ Checkliste vor Video

• Setup-Script erfolgreich ausgeführt
• Alle 3 Collections importiert
• Queries aus DEMO_QUERIES.md funktionieren
• Server läuft stabil (keine Crashes)
• API-Spotcheck aus DEMO_QUERIES.md (Schema + Graph Explain) funktioniert
• Terminal font ist groß genug für Video

---

Fertig! Jetzt kannst du die Demo aufnehmen! 🎬

---

ThemisDB 1.9.0-beta · Home · Module-Index · GitHub · Issues