Looker Dashboard Sumarization Extension Codelab

۱. قبل از شروع

در این آزمایشگاه کد (1) افزونه خلاصه‌سازی داشبورد Looker را به صورت محلی راه‌اندازی خواهید کرد تا بتوانید آن را امتحان کرده و به صورت محلی توسعه دهید. سپس (2) این افزونه را در محیط تولید مستقر خواهید کرد تا سایر کاربران Looker در نمونه Looker شما بتوانند از آن استفاده کنند. در نهایت، (3) می‌توانید مراحل اضافی را برای تنظیم دقیق و افزایش عملکرد افزونه دنبال کنید. تمام بخش‌های غیراختیاری باید به ترتیب تکمیل شوند.

مرور کلی افزونه خلاصه‌سازی داشبورد Looker

از نظر عملکردی، افزونه خلاصه‌سازی داشبورد Looker، داده‌های داشبورد Looker شما را به مدل Gemini شرکت Vertex AI ارسال می‌کند. سپس مدل Gemini خلاصه‌ای از داده‌های داشبورد شما و دستورالعملی از مراحل بعدی را برمی‌گرداند. این افزونه، خلاصه و مراحل بعدی را به صورت یک کاشی در داشبورد شما نمایش می‌دهد و با تجربه داشبورد شما ادغام می‌شود. علاوه بر این، این افزونه می‌تواند خلاصه و مراحل بعدی را به Slack یا Google Chat صادر کند. این افزونه از یک برنامه frontend React همراه با یک سرویس backend websocket برای ارسال و دریافت داده‌ها به و از مدل Gemini شرکت Vertex AI استفاده می‌کند.

پیش‌نیازها

  • آشنایی اولیه با توسعه Node، Docker و Terraform
  • آشنایی با راه‌اندازی یک پروژه Looker LookML

آنچه یاد خواهید گرفت

  • نحوه راه‌اندازی و توسعه افزونه به صورت محلی
  • چگونه افزونه را در محیط تولید پیاده‌سازی کنیم تا سایر کاربران Looker در نمونه Looker شما بتوانند از آن استفاده کنند؟
  • چگونه می‌توان عملکرد افزونه را به صورت اختیاری تنظیم دقیق کرد و قابلیت‌های آن را گسترش داد.
  • چگونه افزونه‌ی مستقر شده‌ی خود را در محیط عملیاتی مدیریت کنید

آنچه نیاز دارید

  • یک نمونه Looker، چه از طریق مجوز اصلی Looker، چه از طریق نسخه آزمایشی فعال Looker Core یا یک مجوز فعال Looker Core.
  • مجوزها را روی نمونه Looker خود develop و deploy .
  • مجوزهای ویرایش داشبوردی که می‌خواهید با افزونه امتحان کنید.
  • یک کلید API Looker از نمونه Looker شما.
  • یک پروژه گوگل کلود که امکان پرداخت در آن فعال است.
  • API مربوط به Cloud Run، API مربوط به Vertex AI و API مربوط به Artifact Registry در پروژه فعال باشند.
  • دسترسی به یک محیط محلی با نصب gcloud CLI. مراحل codelab یک محیط به سبک لینوکس را در نظر می‌گیرند.

۲. راه‌اندازی backend برای توسعه محلی

در این بخش، سرویس بک‌اند وب‌سوکت را برای آزمایش و توسعه محلی راه‌اندازی خواهید کرد. این سرویس به Vertex AI دسترسی خواهد داشت.

  1. نسخه ۱۸ یا بالاتر نود جی اس را در محیط محلی خود نصب کنید. برای نصب نود جی اس، این دستورالعمل‌ها را دنبال کنید.
  2. مخزن افزونه را در دایرکتوری خانگی محلی خود کپی کنید و به دایرکتوری ریشه مخزن بروید. برای اهداف این آزمایشگاه کد، تمام نمونه‌های کد فرض می‌کنند که مخزن کپی شده شما در دایرکتوری خانگی محلی شما قرار دارد. 
cd ~
git clone git@github.com:looker-open-source/dashboard-summarization.git
  1. به دایرکتوری ریشه مخزن کلون شده بروید و فایل .env.example را به .env تغییر نام دهید تا بتوانید متغیرهای محیطی را در بخش‌های بعدی این آزمایشگاه کد تنظیم کنید. 
cd ~/dashboard-summarization
mv .env.example .env
  1. به دایرکتوری src در بک‌اند وب سوکت مخزن کلون‌شده بروید. این دایرکتوری شامل کد منبع سرور است. 
cd ~/dashboard-summarization/websocket-service/src
  1. وابستگی‌های سرویس را با NPM نصب کنید. 
npm install
  1. فایل looker-example.ini را به looker.ini تغییر نام دهید. 
mv looker-example.ini looker.ini
  1. درون به‌روزرسانی فایل looker.ini:
  2. client_id و client_secret به همراه مقادیری که از کلید Looker API شما دریافت شده‌اند.
  3. base_url با آدرس اینترنتی نمونه Looker شما در قالب: https://<YOUR_LOOKER_URL_MINUS_PROTOCOL>:19999
  4. متن بین براکت‌ها (سربرگ بخش) به همراه میزبان URL نمونه Looker شما.

برای مثال، اگر شناسه کلاینت شما ABC123 ، رمز کلاینت شما XYZ789 و آدرس اینترنتی نمونه Looker شما https://mycompany.cloud.looker.com باشد، فایل looker.ini شما دقیقاً به این شکل خواهد بود:

[mycompany]
base_url=https://mycompany.cloud.looker.com:19999
client_id=ABC123
client_secret=XYZ789
verify_ssl=true
  1. شناسه پروژه گوگل کلود خود را تعیین کنید و آن را در متغیر محیطی PROJECT خود تنظیم کنید. YOUR_PROJECT_ID را با شناسه پروژه خود جایگزین کنید. 
export PROJECT="YOUR_PROJECT_ID"
  1. Vertex AI مدل Gemini را در چندین منطقه‌ی ذکر شده در اینجا ارائه می‌دهد. مشخص کنید که بک‌اند محلی شما به کدام منطقه داده‌ها را از مدل Gemini متعلق به Vertex AI ارسال و دریافت می‌کند. منطقه را در متغیر محیطی REGION خود تنظیم کنید. YOUR_VERTEX_REGION را با منطقه‌ی خود جایگزین کنید، مانند us-central1 . 
export REGION="YOUR_VERTEX_REGION"
  1. حالا سرویس محلی خود را راه‌اندازی کنید. 
npm start
  1. سرویس بک‌اند وب‌سوکت محلی شما روی آدرس http://localhost:5000 اجرا خواهد شد.

اکنون راه‌اندازی سرویس بک‌اند وب‌سوکت را در محیط محلی خود به پایان رسانده‌اید!!

این سرویس به عنوان رابطی بین افزونه frontend شما و مدل Gemini متعلق به Vertex AI عمل می‌کند. این سرویس داده‌های داشبورد و LookML را از افزونه frontend شما به همراه داده‌هایی که از Looker پرس‌وجو می‌شوند، دریافت کرده و مدل Gemini متعلق به Vertex AI را فراخوانی می‌کند. سپس این سرویس پاسخ Gemini را به افزونه frontend ارسال می‌کند تا در داشبورد شما نمایش داده شود.

همچنین می‌توانید تغییراتی در کد منبع سرویس backend ایجاد کنید. ابتدا باید فرآیند سرویس را متوقف کنید، تغییرات کد را اعمال کنید، سپس دوباره npm start اجرا کنید.

۳. راه‌اندازی رابط کاربری برای توسعه محلی

در این بخش، افزونه‌ی frontend را برای امتحان کردن و توسعه‌ی محلی تنظیم خواهید کرد.

  1. در همان محیط محلی از مراحل قبلی، به دایرکتوری ریشه مخزن کلون شده خود بروید و متعلقات سرور frontend را برای frontend خود نصب کنید. 
cd ~/dashboard-summarization
npm install
  1. سرور توسعه فرانت‌اند محلی خود را راه‌اندازی کنید 
npm run develop
  1. سرور frontend محلی شما اکنون جاوا اسکریپت افزونه را در آدرس http://localhost:8080/bundle.js ارائه می‌دهد.
  2. یک مرورگر وب باز کنید و وارد نمونه Looker خود شوید.
  3. برای راه‌اندازی یک پروژه خالی LookML، این دستورالعمل‌ها را دنبال کنید. نام پروژه را dashboard-summarization بگذارید. اکنون باید پروژه خالی LookML به طور خودکار در Looker IDE در تب فعلی مرورگر شما باز شود.
  4. یک فایل مانیفست پروژه در ریشه پروژه LookML ایجاد کنید. نام فایل manifest.lkml خواهد بود. اگر نمی‌دانید چگونه، این دستورالعمل‌ها را برای افزودن فایل به پروژه LookML دنبال کنید.
  5. محتوای فایل جدید manifest.lkml را با محتوای manifest.lkml در دایرکتوری ریشه مخزن بسته شده خود جایگزین کنید. برای ذخیره تغییرات در فایل، دکمه "ذخیره تغییرات" را در گوشه بالا سمت راست انتخاب کنید.
  6. در یک تب جداگانه مرورگر، به لیست اتصالات پایگاه داده در نمونه Looker خود بروید. اگر نمی‌دانید چگونه این کار را انجام دهید، این دستورالعمل‌ها را دنبال کنید.
  7. نام یکی از اتصالات پایگاه داده Looker را انتخاب کنید. فرقی نمی‌کند کدام اتصال را انتخاب کنید. اگر اجازه مشاهده اتصالات پایگاه داده را ندارید، با مدیر Looker خود تماس بگیرید و نام یکی از اتصالات پایگاه داده Looker را درخواست کنید.
  8. در حالی که پروژه LookML خود را در Looker IDE باز کرده‌اید، به تب مرورگر برگردید. یک فایل مدل در پروژه LookML خود ایجاد کنید و نام فایل را dashboard-summarization بگذارید.
  9. محتوای فایل dashboard-summarization.model.lkml خود را با نمونه کد زیر جایگزین کنید. حتماً رشته داخل علامت نقل قول را با نام اتصال پایگاه داده‌ای که در مرحله ۹ انتخاب کرده‌اید، جایگزین کنید. تغییرات را در فایل ذخیره کنید. 
connection: "<YOUR_CONNECTION_NAME>"
  1. یک مخزن برای ذخیره پروژه خود راه‌اندازی کنید. دکمه «پیکربندی گیت» را در بالا سمت راست انتخاب کنید. گزینه «به جای آن، یک مخزن خالی راه‌اندازی کنید» را انتخاب کنید. گزینه «ایجاد مخزن» را انتخاب کنید.
  2. اکنون یک مخزن خالی اولیه برای ذخیره فایل‌های پروژه LookML خود دارید. با انتخاب «بازگشت به پروژه» یا به صورت دستی به عقب، در Looker IDE به پروژه برگردید.
  3. دکمه‌ی «اعتبارسنجی LookML» را در گوشه‌ی بالا سمت راست انتخاب کنید. دکمه به «اعمال تغییرات و ارسال» تغییر خواهد کرد.
  4. دکمه‌ی «اعمال تغییرات و ارسال» را انتخاب کنید. هر پیامی را که می‌خواهید اضافه کنید و «اعمال تغییرات» را انتخاب کنید.
  5. در گوشه سمت راست بالای Looker IDE، گزینه «Deploy to Production» را انتخاب کنید. اکنون افزونه را به نمونه Looker خود اضافه کرده‌اید!
  6. به داشبورد Looker که می‌خواهید افزونه را به آن اضافه کنید، بروید.
  7. برای افزودن یک کاشی الحاقی به داشبورد خود، دستورالعمل‌ها را دنبال کنید. افزونه جدید خود را به عنوان یک کاشی به داشبورد خود اضافه کنید.
  8. مطمئن شوید که سرویس بک‌اند وب‌سوکت محلی شما که قبلاً راه‌اندازی کرده‌اید، در حال اجرا است.

تبریک! اکنون می‌توانید افزونه خلاصه‌سازی داشبورد Looker را در داشبورد خود امتحان کنید. افزونه شما، فراداده‌های داشبورد را به سرویس بک‌اند وب‌سوکت محلی شما ارسال می‌کند و خروجی Gemini را از سرویس بک‌اند شما درست در داخل کاشی افزونه داشبورد نمایش می‌دهد.

در حالی که سرور frontend محلی شما در حال اجرا است، می‌توانید تغییراتی در کد منبع جاوا اسکریپت افزونه ایجاد کنید و سرور به طور خودکار تغییرات را ایجاد و ارائه می‌دهد. برای مشاهده تغییرات، باید افزونه یا صفحه داشبورد خود را مجدداً بارگذاری کنید.

۴. استقرار بک‌اند در محیط عملیاتی

در این بخش، اکنون سرویس بک‌اند وب‌سوکت را برای ارائه هر نمونه از افزونه خلاصه‌سازی داشبورد خود در هر داشبوردی در نمونه Looker خود تنظیم خواهید کرد. این به سایر کاربران Looker اجازه می‌دهد تا افزونه را در داشبوردهای خود بدون نیاز به تنظیم سرویس بک‌اند خود امتحان کنند. این مراحل فرض می‌کنند که شما قبلاً بک‌اند را برای توسعه محلی در همان محیط محلی با موفقیت مستقر کرده‌اید.

  1. برای تنظیم اعتبارنامه پیش‌فرض برنامه در محیط محلی خود با شناسه پروژه خود برای مراحل بعدی، این دستورالعمل‌ها را دنبال کنید.
  2. یک مخزن Artifact Registry برای تصاویر Docker سرویس backend خود ایجاد کنید. YOUR_REGION با منطقه‌ای که می‌خواهید مخزن شما در آن قرار گیرد، جایگزین کنید. 
gcloud artifacts repositories create dashboard-summarization-repo \
    --repository-format=docker \
    --location=YOUR_REGION \
  1. به دایرکتوری src بک‌اند وب سوکت مخزن کلون‌شده خود بروید. 
cd ~/dashboard-summarization/websocket-service/src
  1. فایل cloudbuild.yaml را ویرایش کنید و تمام موارد YOUR_REGION و YOUR_PROJECT_ID را با شناسه منطقه و پروژه خود جایگزین کنید. تغییرات را در فایل ذخیره کنید.
  2. با استفاده از Cloud Build، یک build ارسال کنید که ایمیج Docker سرویس backend را ایجاد کرده و آن را به مخزن Artifact Registry که اخیراً ایجاد کرده‌اید، اضافه کند. YOUR_REGION با منطقه‌ای که می‌خواهید از سرویس Cloud Build در آن استفاده کنید، جایگزین کنید. 
gcloud builds submit --region=YOUR_REGION --config cloudbuild.yaml
  1. به یاد داشته باشید، آدرس اینترنتی تصویر داکر تازه ساخته شده شما در YOUR_REGION-docker.pkg.dev/YOUR_PROJECT_ID/dashboard-summarization-repo/websocketserviceimage:latest است. YOUR_PROJECT_ID را با شناسه پروژه خود جایگزین کنید. YOUR_REGION با منطقه‌ای که از مرحله ۲ برای ایجاد مخزن Artifact Registry خود استفاده کردید، جایگزین کنید.
  2. به دایرکتوری websocket-service/terraform در مخزن کلون شده خود بروید. 
cd ~/dashboard-summarization/websocket-service/terraform
  1. مشخص کنید که می‌خواهید سرویس بک‌اند وب‌سوکت خود را در کدام مکان از Google Cloud Run اجرا کنید. از بین این مکان‌ها انتخاب کنید.
  2. فایل variables.tf را ویرایش کنید و YOUR_PROJECT_ID و YOUR_DOCKER_IMAGE_URL را با مقادیر مناسب جایگزین کنید. مرحله 6 را برای آدرس تصویر docker خود بررسی کنید. YOUR_REGION را با منطقه‌ای که در مرحله 8 قبل انتخاب کردید جایگزین کنید. تغییرات خود را در فایل ذخیره کنید.
  3. منابعی را که سرویس بک‌اند شما با استفاده از terraform استفاده خواهد کرد، مستقر کنید. 
terraform init
terraform plan
terraform apply
  1. نقطه پایانی URL اجرای ابری مستقر شده را برای بخش بعدی ذخیره کنید.

تبریک! شما سرویس بک‌اند وب‌سوکت خود را مستقر کرده‌اید و اکنون روی Google Cloud Run اجرا می‌شود. اکنون هر نمونه‌ای از افزونه Looker Dashboard Summarization شما می‌تواند با سرویس بک‌اند شما ارتباط برقرار کند. توصیه می‌کنیم همیشه حداقل یک نمونه از سرویس بک‌اند وب‌سوکت خود را روی Cloud Run در حال اجرا داشته باشید. ماندگاری سرویس بک‌اند شما، یکپارچگی جریان داده‌ها بین سرویس بک‌اند وب‌سوکت و فرانت‌اند افزونه شما را حفظ می‌کند و به حفظ نشست هر کاربر هنگام استفاده از افزونه شما کمک می‌کند.

۵. پیاده‌سازی فرانت‌اند در محیط عملیاتی

برای این بخش آخر، مراحل نهایی استقرار رابط کاربری افزونه را انجام خواهید داد تا در نمونه Looker شما برای همه کاربران Looker در دسترس باشد.

  1. به دایرکتوری ریشه مخزن کلون شده خود بروید. 
cd ~/dashboard-summarization
  1. فایل env را ویرایش کنید. YOUR_CLOUD_RUN_URL را با Cloud Run URL Endpoint از بخش قبلی جایگزین کنید. تغییرات فایل خود را ذخیره کنید. این کار، frontend افزونه‌ی عملیاتی را به سرویس websocket backend شما که روی Cloud Run اجرا می‌شود، هدایت می‌کند.
  2. جاوا اسکریپت افزونه را بسازید. یک دایرکتوری dist به طور خودکار با یک فایل bundle.js و سایر فایل‌ها در آن ایجاد می‌شود. 
npm run build
  1. یک مرورگر وب باز کنید و وارد نمونه Looker خود شوید. منوی سمت چپ را باز کنید و گزینه "حالت توسعه" را در پایین فعال کنید.
  2. در حالی که منوی سمت چپ باز است، گزینه «Develop» را انتخاب کنید، سپس به پایین اسکرول کنید و گزینه «dashboard-summarization» را انتخاب کنید، که همان پروژه LookML افزونه شماست. اکنون باید در محیط توسعه Looker برای پروژه LookML باشید.
  3. تمام فایل‌های موجود در دایرکتوری dist که قبلاً ایجاد شده است را کشیده و در دایرکتوری ریشه پروژه در "مرورگر فایل" رها کنید. در صورت نیاز به کمک بیشتر، این دستورالعمل‌ها را دنبال کنید.
  4. فایل manifest.lkml را در Looker IDE باز کنید. درون فایل، خط زیر را جایگزین کنید: 
url: "http://localhost:8080/bundle.js"

با 

file: "bundle.js"

YOUR_CLOUD_RUN_URL با آدرس URL Cloud Run Endpoint از انتهای بخش قبلی جایگزین کنید. تغییرات را در فایل ذخیره کنید.

  1. دکمه‌ی «اعتبارسنجی LookML» را در گوشه‌ی بالا سمت راست انتخاب کنید. دکمه به «اعمال تغییرات و ارسال» تغییر خواهد کرد.
  2. دکمه‌ی «اعمال تغییرات و ارسال» را انتخاب کنید. هر پیامی را که می‌خواهید اضافه کنید و «اعمال تغییرات» را انتخاب کنید.
  3. در گوشه سمت راست بالای Looker IDE، گزینه «Deploy to Production» را انتخاب کنید.

تبریک! اکنون شما به همه کاربران Looker در نمونه Looker خود این امکان را داده‌اید که افزونه خلاصه‌سازی داشبورد Looker را به داشبوردهای خود اضافه کنند. همانطور که سایر کاربران Looker از این افزونه استفاده می‌کنند، همه نمونه‌های این افزونه، سرویس بک‌اند وب‌سوکت مستقر شده شما را که روی Google Cloud Run اجرا می‌شود، فراخوانی می‌کنند.

به خاطر داشته باشید، اگر تغییری در کد منبع ایجاد می‌کنید، باید:

  1. جاوا اسکریپت افزونه خود را دوباره بسازید
  2. فایل‌های تولید شده‌ای که به پروژه LookML اضافه کرده بودید را با فایل‌های تازه تولید شده از دایرکتوری dist جایگزین کنید.
  3. اعتبارسنجی، کامیت و استقرار تغییرات پروژه LookML در محیط عملیاتی

افزونه خلاصه‌سازی داشبورد Looker را امتحان کنید! ما شما را تشویق می‌کنیم که در این افزونه مشارکت کنید و به آن کمک کنید تا نیازهای جامعه Looker را بهتر برآورده کند. لطفاً در صورت تمایل، یک درخواست pull در مخزن ایجاد کنید.

برای فعال کردن خروجی گرفتن از Slack/Google Chat، تنظیم دقیق خلاصه‌ها و مراحل بعدی Gemini و تنظیم گزارش‌گیری از Gemini، بخش‌های اختیاری زیر را بررسی کنید.

۶. [اختیاری] تنظیم قابلیت‌های خروجی

حالا که شما و کاربران Looker افزونه Looker Dashboard Summarization را امتحان کرده‌اید، بیایید بینش این افزونه را با مخاطبان بیشتری به اشتراک بگذاریم. برای فعال کردن افزونه خود جهت ارسال خلاصه‌ها و مراحل بعدی به Google Chat یا Slack، این بخش را دنبال کنید. برای ادامه این بخش از codelab، باید با تنظیمات Oauth آشنا باشید.

فعال کردن خروجی گوگل چت

  1. API چت را در پروژه Google Cloud خود فعال کنید.
  2. مرحله ۱ از دستورالعمل‌های راه‌اندازی OAuth در Google Workspace را دنبال کنید. برای scopeها باید spaces.messages.create را وارد کنید.
  3. مرحله ۲ دستورالعمل‌های راه‌اندازی OAuth در Google Workspace را دنبال کنید. آدرس اینترنتی نمونه looker خود را به عنوان یک URI در زیر «منشأهای مجاز جاوا اسکریپت» اضافه کنید، به عنوان مثال https://mycompany.cloud.looker.com . شناسه کلاینت تولید شده را یادداشت کنید.
  4. شناسه فضای چت گوگلی که می‌خواهید خلاصه‌ها را به آن صادر کنید، تعیین کنید. اگر مطمئن نیستید چگونه، این دستورالعمل‌ها را دنبال کنید.
  5. فایل env را ویرایش کنید. YOUR_GOOGLE_CLIENT_ID را با شناسه کلاینت جایگزین کنید. YOUR_GOOGLE_SPACE_ID را با شناسه فضای Google Chat جایگزین کنید. تغییرات فایل خود را ذخیره کنید. این کار ظاهر افزونه شما را پیکربندی می‌کند تا بتواند اطلاعات خود را به فضای Google Chat مورد نظر شما ارسال کند.
  6. اگر ظاهر افزونه خود را به صورت محلی اجرا می‌کنید، افزونه خود را دوباره بسازید. در غیر این صورت اگر ظاهر افزونه خود را مستقر می‌کنید، ظاهر افزونه خود را دوباره مستقر کنید.

فعال کردن خروجی Slack

  1. برای راه‌اندازی یک برنامه OAuth، مراحل ۱ و ۲ مستندات رسمی توسعه‌دهندگان Slack را دنبال کنید. برای scopeها باید chat:write و channels:read را وارد کنید. به شناسه کلاینت و رمز کلاینت تولید شده توجه کنید.
  2. شناسه کانال Slack را که می‌خواهید خلاصه‌ها را به آن صادر کنید، تعیین کنید.
  3. فایل env را ویرایش کنید. YOUR_SLACK_CLIENT_ID را با شناسه کلاینت جایگزین کنید. YOUR_SLACK_CLIENT_SECRET را با راز کلاینت جایگزین کنید. YOUR_SLACK_CHANNEL_ID را با شناسه کانال جایگزین کنید. تغییرات فایل خود را ذخیره کنید. این کار ظاهر افزونه شما را پیکربندی می‌کند تا بتواند اطلاعات خود را به کانال Slack مورد نظر شما ارسال کند.
  4. اگر ظاهر افزونه خود را به صورت محلی اجرا می‌کنید، افزونه خود را دوباره بسازید. در غیر این صورت اگر ظاهر افزونه خود را مستقر می‌کنید، ظاهر افزونه خود را دوباره مستقر کنید.

اکنون افزونه شما می‌تواند خلاصه‌های خود را مستقیماً به Slack یا Google Chat ارسال کند. به خاطر داشته باشید که افزونه فقط می‌تواند خلاصه‌ها را به یک فضای چت گوگل یا کانال Slack که به صورت هاردکد شده مشخص شده است، ارسال کند. می‌توانید محدوده‌های Oauth بیشتری اضافه کنید و کد را طوری تغییر دهید که لیستی از فضاها و کانال‌ها را برای ارسال خلاصه‌ها دریافت و نمایش دهد.

۷. [اختیاری] تنظیم دقیق خلاصه و مراحل بعدی

این افزونه، مدل Gemini را با تمام فراداده‌ها و داده‌های پرس‌وجوی داشبورد فراخوانی می‌کند. شما می‌توانید با افزودن هرچه بیشتر فراداده‌ها و زمینه به خود داشبورد، دقت، جزئیات و عمق خلاصه‌ها و مراحل تجویزی را بهبود بخشید. این مراحل را برای هر داشبوردی که افزونه شما بخشی از آن است، امتحان کنید:

  • برای اضافه کردن جزئیات داشبورد به آن، این دستورالعمل‌ها را دنبال کنید. این کار به LLM کمک می‌کند تا از محتوای کلی داشبورد مطلع شود.
  • برای افزودن یادداشت به هر کاشی داشبورد، این دستورالعمل‌ها را دنبال کنید. این کار به LLM کمک می‌کند تا از زمینه هر پرس‌وجوی جداگانه در داشبورد مطلع شود. یادداشت‌های متنی کوچک در خلاصه‌های تولید شده لحاظ خواهند شد.

هرچه اطلاعات بیشتری به داشبوردهای خود اضافه کنید، خلاصه‌ها و مراحل بعدی افزونه بهتر خواهد بود. می‌توانید کد را تغییر دهید تا فراداده‌های داشبورد اضافی را در اعلان مدل Gemini بگنجانید.

۸. [اختیاری] راه‌اندازی ثبت وقایع مدل Gemini

هر بار که کاربر به افزونه می‌گوید برای یک داشبورد خلاصه ایجاد کند، افزونه برای هر پرس‌وجو در داشبورد، یک فراخوانی به Vertex AI انجام می‌دهد و در نهایت یک فراخوانی برای قالب‌بندی تمام خلاصه‌ها انجام می‌دهد. برای ثبت فراخوانی‌های Vertex AI که افزونه شما انجام می‌دهد، این بخش را دنبال کنید تا بتوانید هزینه‌ها و ترافیک Vertex AI را تخمین زده و نظارت کنید. فقط در صورتی که سرویس backend وب‌سوکت را مستقر کرده‌اید، باید این دستورالعمل‌ها را دنبال کنید.

  1. محل Cloud Run سرویس بک‌اند وب‌سوکت مستقر شده خود را تعیین کنید.
  2. برای تنظیم یک مخزن ثبت وقایع که گزارش‌ها را به Big Query هدایت می‌کند، این دستورالعمل‌ها را دنبال کنید. مقصد مخزن باید BigQuery باشد. فیلتر شمول را با نمونه کد زیر تنظیم کنید و YOUR_CLOUD_RUN_LOCATION را با مکان Cloud Run مرحله قبل جایگزین کنید. 
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"

۹. تبریک می‌گویم!

شما افزونه‌ی Looker Dashboard Summarization را به صورت محلی برای امتحان کردن خودتان راه‌اندازی کرده‌اید. همچنین این افزونه را در Google Cloud مستقر کرده‌اید تا سایر کاربران نیز بتوانند آن را امتحان کنند! اکنون شما و سایر کاربران می‌توانید مستقیماً از داخل داشبوردهای خود به خلاصه‌ها و مراحل بعدی ارائه شده توسط Gemini دسترسی داشته باشید.

۱۰. قدم بعدی چیست؟