Codelab zur Erweiterung für die Looker-Dashboard-Zusammenfassung

1. Hinweis

In diesem Codelab (1) richten Sie die Looker-Dashboard-Zusammenfassungserweiterung lokal ein, um sie lokal auszuprobieren und zu entwickeln. Anschließend (2) stellen Sie die Erweiterung in der Produktion bereit, damit andere Looker-Nutzer in Ihrer Looker-Instanz sie verwenden können. Schließlich können Sie (3) zusätzliche Schritte ausführen, um die Funktionalität der Erweiterung zu optimieren und zu verbessern. Alle nicht optionalen Abschnitte sollten in der richtigen Reihenfolge ausgefüllt werden.

Übersicht über die Looker-Dashboard-Zusammenfassungserweiterung

Funktional sendet die Looker Dashboard Summarization-Erweiterung die Daten Ihres Looker-Dashboards an das Gemini-Modell von Vertex AI. Das Gemini-Modell gibt dann eine Zusammenfassung der Daten Ihres Dashboards und eine Empfehlung für die nächsten Schritte zurück. Die Zusammenfassung und die nächsten Schritte werden als Kachel in Ihrem Dashboard angezeigt. Außerdem kann die Erweiterung die Zusammenfassung und die nächsten Schritte in Slack oder Google Chat exportieren. Die Erweiterung verwendet eine React-Frontend-Anwendung in Kombination mit einem Websocket-Backend-Dienst, um Daten an das Gemini-Modell von Vertex AI zu senden und von dort zu empfangen.

Voraussetzungen

• Grundkenntnisse in der Node-Entwicklung, Docker und Terraform
• Vertrautheit mit dem Einrichten eines Looker-LookML-Projekts

Lerninhalte

• Erweiterung lokal einrichten und entwickeln
• Erweiterung in der Produktion bereitstellen, damit andere Looker-Nutzer in Ihrer Looker-Instanz sie verwenden können
• So können Sie die Leistung der Erweiterung optional optimieren und ihre Funktionalität erweitern.
• Bereitgestellte Erweiterung in der Produktion verwalten

Voraussetzungen

• Eine Looker-Instanz, entweder über eine Looker Original-Lizenz, eine aktive Looker Core-Testversion oder eine aktive Looker Core-Lizenz.
• Die Berechtigungen develop und deploy für Ihre Looker-Instanz.
• Berechtigungen zum Bearbeiten eines Dashboards, die Sie mit der Erweiterung ausprobieren möchten.
• Ein Looker API-Schlüssel aus Ihrer Looker-Instanz.
• Ein Google Cloud-Projekt mit aktivierter Abrechnung.
• Die Cloud Run API, die Vertex AI API und die Artifact Registry API sind für das Projekt aktiviert.
• Zugriff auf eine lokale Umgebung mit installierter gcloud CLI. Bei den Schritten im Codelab wird von einer Linux-Umgebung ausgegangen.

2. Backend für die lokale Entwicklung einrichten

In diesem Abschnitt richten Sie den Websocket-Backend-Dienst ein, damit Sie ihn ausprobieren und lokal entwickeln können. Der Dienst hat Zugriff auf Vertex AI.

1. Installieren Sie Node-Version 18 oder höher in Ihrer lokalen Umgebung. Folgen Sie dieser Anleitung, um Node zu installieren.
2. Klonen Sie das Repository der Erweiterung in Ihr lokales Basisverzeichnis und wechseln Sie zum Stammverzeichnis des Repositorys. In diesem Codelab wird davon ausgegangen, dass sich das geklonte Repository in Ihrem lokalen Home-Verzeichnis befindet.

cd ~
git clone [e-mail]:looker-open-source/dashboard-summarization.git

3. Wechseln Sie in das Stammverzeichnis des geklonten Repositorys und benennen Sie die Datei .env.example in .env um, damit Sie in den späteren Abschnitten dieses Codelabs Umgebungsvariablen festlegen können.

cd ~/dashboard-summarization
mv .env.example .env

4. Rufen Sie das Verzeichnis src des Web-Socket-Back-Ends des geklonten Repositorys auf. Dieses Verzeichnis enthält den Quellcode für den Server.

cd ~/dashboard-summarization/websocket-service/src   

5. Installieren Sie die Abhängigkeiten des Dienstes mit NPM.

npm install  

6. Benennen Sie die Datei looker-example.ini in looker.ini um.

mv looker-example.ini looker.ini  

7. Aktualisieren Sie die looker.ini-Datei:
8. Ersetzen Sie client_id und client_secret durch die Werte aus Ihrem Looker API-Schlüssel.
9. Die base_url mit der URL Ihrer Looker-Instanz im Format https://<YOUR_LOOKER_URL_MINUS_PROTOCOL>:19999
10. Der Text zwischen den Klammern (die Abschnittsüberschrift) mit dem Host der URL Ihrer Looker-Instanz.

Wenn Ihre Client-ID beispielsweise ABC123, Ihr Client-Secret XYZ789 und die URL Ihrer Looker-Instanz https://mycompany.cloud.looker.com lautet, sieht Ihre looker.ini-Datei genau so aus:

[mycompany]
base_url=https://mycompany.cloud.looker.com:19999
client_id=ABC123
client_secret=XYZ789
verify_ssl=true 

8. Ermitteln Sie Ihre Google Cloud-Projekt-ID und legen Sie sie für die Umgebungsvariable PROJECT fest. Ersetzen Sie YOUR_PROJECT_ID durch Ihre Projekt-ID.

export PROJECT="YOUR_PROJECT_ID"

9. Vertex AI bietet das Gemini-Modell in mehreren hier aufgeführten Regionen an. Bestimmen Sie, aus welcher Region Ihr lokales Backend Daten an das Gemini-Modell von Vertex AI sendet und von dort empfängt. Legen Sie die Region in der Umgebungsvariable REGION fest. Ersetzen Sie YOUR_VERTEX_REGION durch Ihre Region, z. B. us-central1.

export REGION="YOUR_VERTEX_REGION"

10. Starten Sie jetzt Ihren lokalen Dienst.

npm start

11. Ihr lokaler Websocket-Back-End-Dienst wird unter http://localhost:5000 ausgeführt.

Sie haben den Websocket-Back-End-Dienst in Ihrer lokalen Umgebung eingerichtet.

Der Dienst dient als Schnittstelle zwischen Ihrer Frontend-Erweiterung und dem Gemini-Modell von Vertex AI. Der Dienst verwendet Dashboard- und LookML-Daten aus Ihrer Frontend-Erweiterung mit Daten, die aus Looker abgefragt wurden, und gibt einen Prompt an das Gemini-Modell von Vertex AI aus. Der Dienst streamt dann die Antwort von Gemini an die Frontend-Erweiterung, damit sie in Ihrem Dashboard angezeigt werden kann.

Sie können auch Änderungen am Quellcode des Back-End-Dienstes vornehmen. Sie müssen zuerst den Dienstprozess beenden, Codeänderungen vornehmen und dann npm start noch einmal ausführen.

Hinweis: Ihr lokaler Websocket-Backend-Dienst ruft Vertex AI auf.

3. Frontend für die lokale Entwicklung einrichten

In diesem Abschnitt richten Sie die Frontend-Erweiterung ein, damit Sie sie lokal ausprobieren und entwickeln können.

1. Wechseln Sie in derselben lokalen Umgebung wie in den vorherigen Schritten zum Stammverzeichnis Ihres geklonten Repositorys und installieren Sie die Abhängigkeiten des Frontend-Servers für Ihr Frontend.

cd ~/dashboard-summarization
npm install

2. Lokalen Frontend-Entwicklungsserver starten

npm run develop

3. Der lokale Frontend-Server stellt jetzt das JavaScript der Erweiterung unter http://localhost:8080/bundle.js bereit.
4. Öffnen Sie einen Webbrowser und melden Sie sich in Ihrer Looker-Instanz an.
5. Folgen Sie dieser Anleitung, um ein leeres LookML-Projekt einzurichten. Geben Sie dem Projekt den Namen „dashboard-summarization“. Das leere LookML-Projekt sollte jetzt automatisch in der Looker-IDE auf dem aktuellen Browsertab geöffnet werden.
6. Erstellen Sie im Stammverzeichnis des LookML-Projekts eine Projekt-Manifestdatei. Die Datei heißt „manifest.lkml“. Wenn Sie nicht wissen, wie das geht, folgen Sie dieser Anleitung.
7. Ersetzen Sie den Inhalt der neuen Datei „manifest.lkml“ durch den Inhalt von „manifest.lkml“ im Stammverzeichnis Ihres geschlossenen Repositorys. Klicken Sie rechts oben auf die Schaltfläche „Änderungen speichern“, um die Änderungen an der Datei zu speichern.
8. Rufen Sie in einem separaten Browsertab die Liste der Datenbankverbindungen in Ihrer Looker-Instanz auf. Folgen Sie dieser Anleitung, wenn Sie nicht wissen, wie das geht.
9. Wählen Sie den Namen einer Looker-Datenbankverbindung aus. Es spielt keine Rolle, welche Verbindung Sie auswählen. Wenn Sie keine Berechtigung haben, die Datenbankverbindungen aufzurufen, wenden Sie sich an Ihren Looker-Administrator und fragen Sie nach dem Namen einer Looker-Datenbankverbindung.
10. Kehren Sie zum Browsertab mit Ihrem LookML-Projekt zurück, das in einer Looker-IDE geöffnet ist. Erstellen Sie in Ihrem LookML-Projekt eine Modelldatei mit dem Namen „dashboard-summarization“.
11. Ersetzen Sie den Inhalt der Datei „dashboard-summarization.model.lkml“ durch das folgende Codebeispiel. Achten Sie darauf, dass Sie den String in den doppelten Anführungszeichen durch den Namen der Datenbankverbindung ersetzen, den Sie in Schritt 9 ausgewählt haben. Speichern Sie die Änderungen an der Datei.

connection: "<YOUR_CONNECTION_NAME>"

Hinweis:Die Datenbankverbindung, die Sie in diesem Projekt definieren, bestimmt nicht die Datenbank, die von der Erweiterung für die Dashboard-Zusammenfassung abgefragt wird. Wenn die Erweiterung einem Dashboard hinzugefügt wird, fragt sie die Datenbank ab, die mit diesem Dashboard verknüpft ist.

12. Richten Sie ein Repository ein, in dem Sie Ihr Projekt speichern können. Klicken Sie rechts oben auf die Schaltfläche „Git konfigurieren“. Wählen Sie stattdessen „Bare Repository einrichten“ aus. Wählen Sie „Repository erstellen“ aus.
13. Sie haben jetzt ein einfaches Bare-Repository, in dem Sie Ihre LookML-Projektdateien speichern können. Kehren Sie zum Projekt in der Looker-IDE zurück, indem Sie „Zurück zum Projekt“ auswählen oder manuell zurückkehren.
14. Klicken Sie rechts oben auf die Schaltfläche „LookML validieren“. Die Schaltfläche ändert sich zu „Commit changes and push“ (Änderungen committen und pushen).
15. Wählen Sie die Schaltfläche „Commit changes and push“ (Änderungen committen und pushen) aus. Fügen Sie eine beliebige Nachricht hinzu und wählen Sie „Commit“ aus.
16. Wählen Sie rechts oben in der Looker IDE „In Produktion bereitstellen“ aus. Sie haben die Erweiterung jetzt Ihrer Looker-Instanz hinzugefügt.
17. Rufen Sie ein Looker-Dashboard auf, dem Sie die Erweiterung hinzufügen möchten.
18. Folge der Anleitung, um deinem Dashboard eine Erweiterungskachel hinzuzufügen. Fügen Sie Ihrem Dashboard die neue Erweiterung als Kachel hinzu.
19. Achten Sie darauf, dass der lokale WebSocket-Backend-Dienst, den Sie zuvor eingerichtet haben, ausgeführt wird.

Glückwunsch! Sie können die Looker-Dashboard-Zusammenfassungserweiterung jetzt in Ihrem Dashboard ausprobieren. Ihre Erweiterung sendet die Metadaten Ihres Dashboards an Ihren lokalen Websocket-Backend-Dienst und zeigt die Gemini-Ausgabe Ihres Backend-Dienstes direkt in der Kachel der Dashboard-Erweiterung an.

Während Ihr lokaler Frontend-Server ausgeführt wird, können Sie Änderungen am JavaScript-Quellcode der Erweiterung vornehmen. Der Server erstellt und stellt die Änderungen dann automatisch bereit. Sie müssen Ihre Erweiterung oder Dashboard-Seite neu laden, damit die Änderungen angezeigt werden.

Hinweis: Im optionalen Abschnitt am Ende dieses Codelabs erfahren Sie, wie Sie Ihre Erweiterung so konfigurieren, dass Zusammenfassungen und nächste Schritte in Slack oder GChat exportiert werden können.

Hinweis: Sie können die Genauigkeit, den Detailgrad und die Tiefe der Zusammenfassungen und nächsten Schritte der Erweiterung auch mit dem optionalen Abschnitt am Ende dieses Codelabs verbessern.

4. Backend in der Produktion bereitstellen

In diesem Abschnitt richten Sie den Websocket-Backend-Dienst ein, um alle Instanzen Ihrer Erweiterung zur Dashboard-Zusammenfassung auf allen Dashboards in Ihrer Looker-Instanz zu bedienen. So können andere Looker-Nutzer die Erweiterung in ihren eigenen Dashboards ausprobieren, ohne einen eigenen Backend-Dienst einrichten zu müssen. Bei diesen Schritten wird davon ausgegangen, dass Sie das Backend für die lokale Entwicklung bereits in derselben lokalen Umgebung bereitgestellt haben.

1. Folgen Sie dieser Anleitung, um Standardanmeldedaten für Anwendungen in Ihrer lokalen Umgebung mit Ihrer Projekt‑ID für die nächsten Schritte einzurichten.
2. Erstellen Sie ein Artifact Registry-Repository für die Docker-Images Ihres Back-End-Dienstes. Ersetzen Sie YOUR_REGION durch die Region, in der sich das Repository befinden soll.

gcloud artifacts repositories create dashboard-summarization-repo \
    --repository-format=docker \
    --location=YOUR_REGION \

3. Wechseln Sie im geklonten Repository zum Verzeichnis src des Web-Socket-Back-Ends.

cd ~/dashboard-summarization/websocket-service/src

4. Bearbeiten Sie die Datei cloudbuild.yaml und ersetzen Sie alle Instanzen von YOUR_REGION und YOUR_PROJECT_ID durch Ihre Region und Projekt-ID. Speichern Sie die Änderungen an der Datei.
5. Senden Sie einen Build mit Cloud Build, der das Docker-Image des Backend-Dienstes erstellt und per Push in das gerade erstellte Artifact Registry-Repository überträgt. Ersetzen Sie YOUR_REGION durch die Region, in der Sie den Cloud Build-Dienst verwenden möchten.

gcloud builds submit --region=YOUR_REGION --config cloudbuild.yaml

6. Die URL Ihres neu erstellten Docker-Images lautet YOUR_REGION-docker.pkg.dev/YOUR_PROJECT_ID/dashboard-summarization-repo/websocketserviceimage:latest. Ersetzen Sie YOUR_PROJECT_ID durch Ihre Projekt-ID. Ersetzen Sie YOUR_REGION durch die Region aus Schritt 2, die Sie zum Erstellen Ihres Artifact Registry-Repositorys verwendet haben.
7. Wechseln Sie in Ihrem geklonten Repository zum Verzeichnis websocket-service/terraform.

cd ~/dashboard-summarization/websocket-service/terraform

8. Legen Sie fest, an welchem Standort von Google Cloud Run Sie Ihren Websocket-Backend-Dienst ausführen möchten. Hier finden Sie eine Liste der verfügbaren Standorte.
9. Bearbeiten Sie die Datei „variables.tf“ und ersetzen Sie YOUR_PROJECT_ID und YOUR_DOCKER_IMAGE_URL durch die entsprechenden Werte. Die URL Ihres Docker-Images finden Sie in Schritt 6. Ersetzen Sie YOUR_REGION durch die Region, die Sie im vorherigen Schritt 8 ausgewählt haben. Speichern Sie die Änderungen in der Datei.
10. Stellen Sie die Ressourcen, die Ihr Backend-Dienst verwenden wird, mit Terraform bereit.

terraform init
terraform plan
terraform apply

11. Speichern Sie den bereitgestellten Cloud Run-URL-Endpunkt für den nächsten Abschnitt.

Glückwunsch! Sie haben Ihren WebSocket-Backend-Dienst bereitgestellt und er wird jetzt in Google Cloud Run ausgeführt. Jetzt können alle Instanzen Ihrer Looker Dashboard Summarization-Erweiterung mit Ihrem Backend-Dienst kommunizieren. Wir empfehlen, dass Sie immer mindestens eine Instanz Ihres Websocket-Backend-Dienstes in Cloud Run ausführen. Die Persistenz Ihres Backend-Dienstes sorgt für die Integrität des Datenstreams zwischen Ihrem Websocket-Backend-Dienst und dem Frontend Ihrer Erweiterung und trägt dazu bei, die Sitzung jedes Nutzers während der Verwendung Ihrer Erweiterung aufrechtzuerhalten.

Hinweis: Der in diesem Codelab in Cloud Run bereitgestellte Websocket-Backend-Dienst ist öffentlich zugänglich.

Hinweis: Jedes Mal, wenn ein Nutzer das Erweiterungs-Frontend anweist, Zusammenfassungen für ein Dashboard zu erstellen, führt der Backend-Dienst für jede Abfrage im Dashboard einen Aufruf von Vertex AI aus. Außerdem wird ein letzter Aufruf ausgeführt, um alle Zusammenfassungen zu formatieren. Sie können die Vertex AI-Aufrufe protokollieren, die Ihr Backend-Dienst ausführt, um Kosten zu schätzen und zu überwachen. Im optionalen Abschnitt „Gemini-Modellprotokollierung einrichten“ dieses Codelabs erfahren Sie, wie das geht.

5. Frontend in der Produktion bereitstellen

In diesem letzten Abschnitt führen Sie die letzten Schritte zum Bereitstellen des Erweiterungs-Frontends aus, damit es allen Looker-Nutzern in Ihrer Looker-Instanz zur Verfügung steht.

1. Wechseln Sie zum Stammverzeichnis Ihres geklonten Repositorys.

cd ~/dashboard-summarization

2. Bearbeiten Sie die .Datei env. Ersetzen Sie YOUR_CLOUD_RUN_URL durch den Cloud Run-URL-Endpunkt aus dem vorherigen Abschnitt. Speichern Sie die Änderungen an der Datei. Dadurch wird das Frontend der Produktionserweiterung auf Ihren Websocket-Backend-Dienst verwiesen, der in Cloud Run ausgeführt wird.
3. Erstellen Sie das JavaScript der Erweiterung. Ein dist-Verzeichnis mit einer bundle.js-Datei und anderen Dateien wird automatisch generiert.

npm run build

4. Öffnen Sie einen Webbrowser und melden Sie sich in Ihrer Looker-Instanz an. Öffnen Sie die linke Seitenleiste und aktivieren Sie unten den Schalter „Entwicklermodus“.
5. Wählen Sie bei geöffneter linker Seitenleiste „Entwickeln“ aus. Scrollen Sie dann nach unten und wählen Sie „dashboard-summarization“ aus, das LookML-Projekt Ihrer Erweiterung. Sie sollten sich jetzt in der Looker-IDE für das LookML-Projekt befinden.
6. Ziehen Sie alle Dateien im zuvor generierten „dist“-Verzeichnis per Drag-and-drop in das Stammverzeichnis des Projekts im „File Browser“. Folgen Sie dieser Anleitung, wenn Sie weitere Hilfe benötigen.
7. Öffnen Sie die Datei manifest.lkml in der Looker-IDE. Ersetzen Sie in der Datei die Zeile

url: "http://localhost:8080/bundle.js"

mit

file: "bundle.js"

Ersetzen Sie YOUR_CLOUD_RUN_URL durch den Cloud Run-URL-Endpunkt vom Ende des letzten Abschnitts. Speichern Sie die Änderungen an der Datei.

8. Klicken Sie rechts oben auf die Schaltfläche „LookML validieren“. Die Schaltfläche ändert sich zu „Commit changes and push“ (Änderungen committen und pushen).
9. Wählen Sie die Schaltfläche „Commit changes and push“ (Änderungen committen und pushen) aus. Fügen Sie eine beliebige Nachricht hinzu und wählen Sie „Commit“ aus.
10. Wählen Sie rechts oben in der Looker IDE „In Produktion bereitstellen“ aus.

Glückwunsch! Sie haben jetzt allen Looker-Nutzern in Ihrer Looker-Instanz die Möglichkeit gegeben, die Looker Dashboard Summarization Extension zu ihren Dashboards hinzuzufügen. Wenn andere Looker-Nutzer die Erweiterung verwenden, werden von allen Instanzen der Erweiterung Aufrufe an Ihren bereitgestellten WebSocket-Backend-Dienst gesendet, der in Google Cloud Run ausgeführt wird.

Wenn Sie Änderungen am Quellcode vornehmen, müssen Sie Folgendes beachten:

1. JavaScript der Erweiterung neu erstellen
2. Ersetzen Sie die generierten Dateien, die Sie dem LookML-Projekt hinzugefügt haben, durch die neu generierten Dateien aus dem Verzeichnis dist.
3. LookML-Projektänderungen validieren, übernehmen und für die Produktion bereitstellen

Looker-Dashboard-Zusammenfassungserweiterung ausprobieren Wir empfehlen Ihnen, sich an der Entwicklung der Erweiterung zu beteiligen und so dazu beizutragen, dass sie den Anforderungen der Looker-Community besser gerecht wird. Sie können gerne eine Pull-Anfrage im Repository erstellen.

In den folgenden optionalen Abschnitten erfahren Sie, wie Sie den Export von Slack/Google Chat aktivieren, die Zusammenfassungen und nächsten Schritte von Gemini optimieren und das Gemini-Logging einrichten.

6. [Optional] Exportfunktionen einrichten

Nachdem Sie und Ihre Looker-Nutzer die Looker Dashboard Summarization-Erweiterung ausprobiert haben, können Sie die Statistiken der Erweiterung mit einem größeren Publikum teilen. In diesem Abschnitt erfahren Sie, wie Sie Ihre Erweiterung so konfigurieren, dass Zusammenfassungen und nächste Schritte an Google Chat oder Slack gesendet werden können. Sie sollten mit der OAuth-Einrichtung vertraut sein, um mit diesem Abschnitt des Codelabs fortfahren zu können.

Google Chat-Export aktivieren

1. Aktivieren Sie die Chat API in Ihrem Google Cloud-Projekt.
2. Folgen Sie Schritt 1 der OAuth-Einrichtungsanleitung für Google Workspace. Für Bereiche müssen Sie spaces.messages.create angeben.
3. Folgen Sie Schritt 2 der OAuth-Einrichtungsanleitung für Google Workspace. Fügen Sie die URL Ihrer Looker-Instanz als URI unter „Autorisierte JavaScript-Quellen“ hinzu, z. B. https://mycompany.cloud.looker.com. Notieren Sie sich die generierte Client-ID.
4. Ermitteln Sie die ID des Google Chat-Bereichs, in den Sie die Zusammenfassungen exportieren möchten. Wenn Sie sich nicht sicher sind, wie das geht, folgen Sie dieser Anleitung.
5. Bearbeiten Sie die .Datei env. Ersetzen Sie YOUR_GOOGLE_CLIENT_ID durch die Client-ID. Ersetzen Sie YOUR_GOOGLE_SPACE_ID durch die Google Chat-Bereichs-ID. Speichern Sie die Änderungen an der Datei. Dadurch wird das Frontend Ihrer Erweiterung so konfiguriert, dass die Statistiken an den gewünschten Google Chat-Gruppenbereich gesendet werden können.
6. Wenn Sie das Frontend Ihrer Erweiterung lokal ausführen, erstellen Sie die Erweiterung noch einmal. Wenn Sie das Frontend Ihrer Erweiterung bereitstellen, stellen Sie es noch einmal bereit.

Slack-Export aktivieren

1. Folgen Sie Schritt 1 und 2 der offiziellen Slack-Entwicklerdokumentation, um eine OAuth-Anwendung einzurichten. Für Bereiche müssen Sie chat:write und channels:read angeben. Notieren Sie sich die generierte Client-ID und den Clientschlüssel.
2. Ermitteln Sie die ID des Slack-Kanals, in den Sie die Zusammenfassungen exportieren möchten.
3. Bearbeiten Sie die .Datei env. Ersetzen Sie YOUR_SLACK_CLIENT_ID durch die Client-ID. Ersetzen Sie YOUR_SLACK_CLIENT_SECRET durch den Clientschlüssel. Ersetzen Sie YOUR_SLACK_CHANNEL_ID durch die Channel-ID. Speichern Sie die Änderungen an der Datei. Dadurch wird das Frontend Ihrer Erweiterung so konfiguriert, dass die Statistiken an den gewünschten Slack-Kanal gesendet werden können.
4. Wenn Sie das Frontend Ihrer Erweiterung lokal ausführen, erstellen Sie die Erweiterung noch einmal. Wenn Sie das Frontend Ihrer Erweiterung bereitstellen, stellen Sie es noch einmal bereit.

Ihre Erweiterung kann Zusammenfassungen jetzt direkt nach Slack oder Google Chat exportieren. Die Erweiterung kann Zusammenfassungen nur an einen bestimmten, fest codierten Google Chat-Bereich oder Slack-Channel senden. Sie können zusätzliche OAuth-Bereiche hinzufügen und den Code so ändern, dass eine Liste mit Bereichen und Kanälen abgerufen und angezeigt wird, an die Zusammenfassungen gesendet werden sollen.

7. [Optional] Zusammenfassung und nächste Schritte optimieren

Die Erweiterung stellt dem Gemini-Modell alle Metadaten des Dashboards und Abfragedaten zur Verfügung. Sie können die Genauigkeit, den Detailgrad und die Tiefe der Zusammenfassungen und präskriptiven Schritte verbessern, indem Sie dem Dashboard selbst so viele Metadaten und Kontext wie möglich hinzufügen. Führe diese Schritte für jedes Dashboard aus, zu dem deine Erweiterung gehört:

• Folgen Sie dieser Anleitung, um dem Dashboard Details hinzuzufügen. So kann das LLM den allgemeinen Kontext des Dashboards besser einordnen.
• Folgen Sie dieser Anleitung, um den Kacheln der einzelnen Dashboards Notizen hinzuzufügen. So wird das LLM über den Kontext der einzelnen Anfragen im Dashboard informiert. Die kleinen Kontextanmerkungen werden in die generierten Zusammenfassungen einbezogen.

Je mehr Informationen Sie Ihren Dashboards hinzufügen, desto besser sind die Zusammenfassungen und nächsten Schritte der Erweiterung. Sie können den Code so ändern, dass zusätzliche Dashboard-Metadaten in den Prompt für das Gemini-Modell aufgenommen werden.

8. [Optional] Logging für Gemini-Modell einrichten

Jedes Mal, wenn ein Nutzer die Erweiterung anweist, Zusammenfassungen für ein Dashboard zu erstellen, ruft die Erweiterung Vertex AI für jede Abfrage im Dashboard auf. Außerdem erfolgt ein letzter Aufruf, um alle Zusammenfassungen zu formatieren. In diesem Abschnitt wird beschrieben, wie Sie die Vertex AI-Aufrufe protokollieren, die von Ihrer Erweiterung ausgeführt werden, damit Sie die Vertex AI-Kosten und den Traffic schätzen und überwachen können. Sie sollten dieser Anleitung nur folgen, wenn Sie den Websocket-Backend-Dienst bereitgestellt haben.

1. Ermitteln Sie den Cloud Run-Standort Ihres bereitgestellten WebSocket-Backend-Dienstes.
2. Folgen Sie dieser Anleitung, um eine Log-Senke einzurichten, über die Logs an BigQuery weitergeleitet werden. Das Ziel der Senke sollte BigQuery sein. Legen Sie den Einschlussfilter mit dem folgenden Codebeispiel fest. Ersetzen Sie YOUR_CLOUD_RUN_LOCATION durch den Cloud Run-Standort aus dem vorherigen Schritt.

resource.type = "cloud_run_revision"
resource.labels.service_name = "websocket-service"
resource.labels.location = "YOUR_CLOUD_RUN_LOCATION"
 severity>=DEFAULT
jsonPayload.component="dashboard-summarization-logs"

9. Glückwunsch!

Sie haben die Looker-Dashboard-Zusammenfassungserweiterung lokal eingerichtet, um sie auszuprobieren. Sie haben die Erweiterung auch in Google Cloud bereitgestellt, damit andere Nutzer sie ebenfalls ausprobieren können. Sie und andere Nutzer können jetzt direkt über Ihre Dashboards auf Zusammenfassungen und nächste Schritte zugreifen, die von Gemini generiert wurden.

10. Nächste Schritte

• Passen Sie die Codebasis Ihrer Erweiterung an die Anforderungen Ihrer Organisation an.
• Tragen Sie zum Repository der Erweiterung bei und verbessern Sie die Erweiterung für sich und Ihre Looker-Community.
• Eigene Erweiterungen entwickeln, um Looker zu erweitern
• Binden Sie Ihre Erweiterung als Kachel in ein Dashboard ein, um die Nutzung des Dashboards zu optimieren.