Codelab ב-Looker Dashboard לסיכום לוח הבקרה

1. לפני שמתחילים

ב-codelab הזה (1) תגדירו את התוסף Looker Dashboard Summarization באופן מקומי כדי שתוכלו לנסות אותו ולפתח אותו באופן מקומי. לאחר מכן (2) תפרסו את התוסף בסביבת הייצור כדי שמשתמשי Looker אחרים במופע Looker יוכלו להשתמש בו. לבסוף, (3) אפשר לבצע שלבים נוספים כדי לכוונן ולשפר את הפונקציונליות של התוסף. צריך למלא את כל החלקים שאינם אופציונליים בסדר רציף.

סקירה כללית של התוסף Looker Dashboard Summarization

מבחינה פונקציונלית, התוסף Looker Dashboard Summarization שולח את הנתונים מלוח הבקרה של Looker למודל Gemini של Vertex AI. לאחר מכן, מודל Gemini מחזיר סיכום של הנתונים בלוח הבקרה והמלצות לשלבים הבאים. הסיכום והשלבים הבאים מוצגים כמשבצת בלוח הבקרה, ומשולבים בחוויית השימוש בלוח הבקרה. בנוסף, התוסף יכול לייצא את הסיכום ואת השלבים הבאים ל-Slack או ל-Google Chat. התוסף משתמש באפליקציית קצה קדמי React בשילוב עם שירות לקצה העורפי של WebSocket כדי לשלוח ולקבל נתונים אל וממודל Gemini של Vertex AI.

דרישות מוקדמות

• היכרות בסיסית עם פיתוח Node,‏ Docker ו-Terraform
• היכרות עם הגדרת פרויקט LookML ב-Looker

מה תלמדו

• איך מגדירים ומפתחים את התוסף באופן מקומי
• איך פורסים את התוסף בסביבת ייצור כדי שמשתמשי Looker אחרים במופע Looker יוכלו להשתמש בו
• איך משפרים את הביצועים של התוסף ומרחיבים את הפונקציונליות שלו.
• איך מנהלים תוסף שפרסתם בסביבת הייצור

מה תצטרכו

• מכונת Looker, באמצעות רישיון מקורי של Looker, תקופת ניסיון פעילה של Looker Core או רישיון פעיל של Looker Core.
• הרשאות develop ו-deploy במופע Looker.
• הרשאות לעריכת לוח בקרה שרוצים לנסות עם התוסף.
• מפתח Looker API מהמופע של Looker.
• פרויקט ב-Google Cloud שהחיוב בו מופעל.
• הפעלת Cloud Run API,‏ Vertex AI API ו-Artifact Registry API בפרויקט.
• גישה לסביבה מקומית שמותקן בה ה-CLI של gcloud. ההנחיות ב-Codelab מניחות שאתם משתמשים בסביבה בסגנון Linux.

2. הגדרת קצה עורפי לפיתוח מקומי

בסעיף הזה תגדירו את שירות ה-backend של websocket כדי שתוכלו לנסות אותו ולפתח אותו באופן מקומי. לשירות תהיה גישה ל-Vertex AI.

1. מתקינים את Node בגרסה 18 ומעלה בסביבה המקומית. כדי להתקין את Node, פועלים לפי ההוראות האלה.
2. משכפלים את המאגר של התוסף לתיקיית הבית המקומית ועוברים לתיקיית השורש של המאגר. לצורך ה-codelab הזה, כל דוגמאות הקוד יניחו שהמאגר המשוכפל נמצא בספריית הבית המקומית.

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

3. עוברים לתיקיית השורש של המאגר המשוכפל ומשנים את השם של הקובץ .env.example ל-.env כדי שתוכלו להגדיר משתני סביבה בחלקים הבאים של ה-codelab הזה.

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

4. נכנסים לספרייה src של העורף (backend) של שקע האינטרנט במאגר המשוכפל. הספרייה הזו מכילה את קוד המקור של השרת.

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

5. מתקינים את יחסי התלות של השירות באמצעות NPM.

npm install  

6. משנים את שם הקובץ looker-example.ini ל-looker.ini.

mv looker-example.ini looker.ini  

7. בתוך הקובץ looker.ini, מעדכנים את:
8. הערכים client_id ו-client_secret בערכים ממפתח Looker API.
9. השדה base_url עם כתובת ה-URL של מופע Looker בפורמט: https://<YOUR_LOOKER_URL_MINUS_PROTOCOL>:19999
10. הטקסט בין הסוגריים (כותרת הקטע) עם המארח של כתובת ה-URL של מכונת Looker.

לדוגמה, אם מזהה הלקוח הוא ABC123, סוד הלקוח הוא XYZ789 וכתובת ה-URL של מופע Looker היא https://mycompany.cloud.looker.com, קובץ ה-looker.ini ייראה בדיוק כך:

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

8. קובעים את מזהה הפרויקט ב-Google Cloud ומגדירים אותו במשתנה הסביבה PROJECT. מחליפים את YOUR_PROJECT_ID במזהה הפרויקט.

export PROJECT="YOUR_PROJECT_ID"

9. מודל Gemini זמין ב-Vertex AI בכמה אזורים שמפורטים כאן. קובעים מאיזה אזור ה-backend המקומי ישלח נתונים למודל Gemini של Vertex AI ויקבל ממנו נתונים. מגדירים את האזור במשתנה הסביבה REGION. מחליפים את YOUR_VERTEX_REGION באזור שלכם, למשל us-central1.

export REGION="YOUR_VERTEX_REGION"

10. עכשיו מפעילים את השירות המקומי.

npm start

11. שירות ה-backend המקומי שלכם ל-WebSocket יפעל בכתובת http://localhost:5000.

סיימתם להגדיר את שירות ה-backend של ה-websocket בסביבה המקומית שלכם.

השירות משמש כממשק בין תוסף ה-Frontend לבין מודל Gemini של Vertex AI. השירות יקבל נתונים מלוח הבקרה ומ-LookML מהתוסף של חזית האתר עם נתונים שנשאלו מ-Looker, וינחה את מודל Gemini של Vertex AI. לאחר מכן, השירות ישדר את התשובה של Gemini לתוסף הקצה הקדמי כדי להציג אותה בלוח הבקרה.

אפשר גם לבצע שינויים בקוד המקור של שירות ה-Backend. קודם צריך להפסיק את תהליך השירות, לבצע שינויים בקוד ואז להריץ שוב את npm start.

הערה: שירות הקצה העורפי של ה-WebSocket המקומי יבצע קריאות ל-Vertex AI.

3. הגדרת הקצה הקדמי לפיתוח מקומי

בקטע הזה נגדיר את תוסף ה-Frontend כדי שתוכלו לנסות אותו ולפתח אותו באופן מקומי.

1. באותה סביבה מקומית מהשלבים הקודמים, עוברים אל ספריית הבסיס של המאגר המשוכפל ומתקינים את התלות של שרת הקצה הקדמי עבור הקצה הקדמי.

cd ~/dashboard-summarization
npm install

2. הפעלת שרת פיתוח מקומי של חזית האתר

npm run develop

3. שרת הקצה הקדמי המקומי מציג עכשיו את ה-JavaScript של התוסף בכתובת http://localhost:8080/bundle.js.
4. פותחים דפדפן אינטרנט ונכנסים למופע Looker.
5. כדי להגדיר פרויקט של LookML ריק, פועלים לפי ההוראות האלה. נותנים שם לסיכום לוח הבקרה של הפרויקט. עכשיו פרויקט LookML ריק אמור להיפתח אוטומטית בסביבת הפיתוח המשולבת (IDE) של Looker בכרטיסייה הנוכחית בדפדפן.
6. יוצרים קובץ מניפסט של פרויקט בתיקיית הבסיס של פרויקט LookML. שם הקובץ יהיה manifest.lkml. אם אתם לא יודעים איך, פועלים לפי ההוראות האלה להוספת קובץ לפרויקט של LookML.
7. מחליפים את התוכן של הקובץ החדש manifest.lkml בתוכן של הקובץ manifest.lkml בתיקיית השורש של המאגר הסגור. לוחצים על הלחצן 'שמירת השינויים' בפינה השמאלית העליונה כדי לשמור את השינויים בקובץ.
8. בכרטיסיית דפדפן נפרדת, עוברים לרשימת חיבורי מסד הנתונים במופע Looker. אם אתם לא יודעים איך, תוכלו לפעול לפי ההוראות האלה.
9. בוחרים את השם של אחד מחיבורי מסד הנתונים של Looker. לא משנה איזה חיבור בוחרים. אם אין לכם הרשאה לראות את החיבורים למסד הנתונים, פנו לאדמין של Looker ובקשו ממנו את השם של אחד החיבורים למסד הנתונים של Looker.
10. חוזרים לכרטיסייה בדפדפן שבה פרויקט של LookML פתוח בסביבת פיתוח משולבת (IDE) של Looker. יוצרים קובץ מודל בפרויקט של LookML ונותנים לקובץ את השם dashboard-summarization.
11. מחליפים את התוכן של הקובץ dashboard-summarization.model.lkml בדוגמת הקוד שלמטה. חשוב להחליף את המחרוזת במירכאות הכפולות בשם החיבור למסד הנתונים שבחרתם בשלב 9. שומרים את השינויים בקובץ.

connection: "<YOUR_CONNECTION_NAME>"

הערה: החיבור למסד הנתונים שאתם מגדירים בפרויקט הזה לא מגדיר את מסד הנתונים שבו תוסף סיכום לוח הבקרה יבצע שאילתות. כשהתוסף מתווסף למרכז בקרה, הוא שולח שאילתה למסד הנתונים שמשויך למרכז הבקרה הזה.

12. מגדירים מאגר לשמירת הפרויקט. לוחצים על הלחצן Configure Git (הגדרת Git) בפינה השמאלית העליונה. בוחרים באפשרות 'הגדרה של מאגר מינימלי במקום זאת'. בוחרים באפשרות 'יצירת מאגר'.
13. עכשיו יש לכם מאגר בסיסי ריק לאחסון קובצי הפרויקט של LookML. חוזרים לפרויקט ב-Looker IDE על ידי בחירה באפשרות 'חזרה לפרויקט' או על ידי חזרה ידנית.
14. לוחצים על הלחצן Validate LookML (אימות LookML) בפינה השמאלית העליונה. הלחצן ישתנה ל'אישור השינויים ושליחתם'.
15. לוחצים על הלחצן 'ביצוע השינויים ושליחתם'. מוסיפים את ההודעה הרצויה ולוחצים על 'שליחה'.
16. בפינה השמאלית העליונה של Looker IDE, לוחצים על Deploy to Production (פריסה בסביבת הייצור). התוסף נוסף למופע Looker.
17. עוברים אל לוח הבקרה ב-Looker שרוצים להוסיף לו את התוסף.
18. פועלים לפי ההוראות כדי להוסיף משבצת של תוסף ללוח הבקרה. מוסיפים את התוסף החדש ללוח הבקרה ככרטיס מידע.
19. מוודאים ששירות הקצה העורפי המקומי של WebSocket שהגדרתם קודם פועל.

מעולה! עכשיו אפשר לנסות את תוסף סיכום לוח הבקרה של Looker בלוח הבקרה. התוסף ישלח את המטא-נתונים של לוח הבקרה לשירות לקצה העורפי של ה-websocket המקומי, ויציג את הפלט של Gemini משירות לקצה העורפי ישירות במשבצת של תוסף לוח הבקרה.

בזמן ששרת הקצה הקדמי המקומי פועל, אפשר לבצע שינויים בקוד המקור של JavaScript של התוסף, והשרת ייצור את השינויים ויציג אותם באופן אוטומטי. כדי לראות את השינויים, צריך לטעון מחדש את התוסף או את דף מרכז הבקרה.

הערה: אפשר לעבור לקטע האופציונלי בסוף ה-codelab הזה כדי להפעיל את התוסף כך שהוא ייצא את הסיכומים והשלבים הבאים ל-Slack או ל-Gchat.

הערה: אפשר גם לשפר את הדיוק, את רמת הפירוט ואת העומק של הסיכומים והשלבים הבאים של התוסף באמצעות הקטע האופציונלי בסוף ה-Codelab הזה.

4. פריסת ה-Backend בסביבת הייצור

בקטע הזה נגדיר את שירות ה-backend של ה-websocket כדי להציג כל מופע של תוסף סיכום מרכז הבקרה בכל מרכז בקרה במופע Looker. כך משתמשי Looker אחרים יוכלו לנסות את התוסף בלוחות הבקרה שלהם בלי להגדיר שירות קצה עורפי משלהם. ההנחיות האלה מניחות שכבר פרסתם בהצלחה את ה-backend לפיתוח מקומי באותה סביבה מקומית.

1. כדי להגדיר Application Default Credential בסביבה המקומית באמצעות מזהה הפרויקט, פועלים לפי ההוראות האלה.
2. יוצרים מאגר Artifact Registry לקובצי האימג' של Docker של שירות ה-backend. מחליפים את YOUR_REGION באזור שבו רוצים שהמאגר יהיה.

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

3. עוברים לספרייה src של העורף (backend) של שקע האינטרנט במאגר המשוכפל.

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

4. עורכים את הקובץ cloudbuild.yaml ומחליפים את כל המופעים של YOUR_REGION ו-YOUR_PROJECT_ID באזור ובמזהה הפרויקט שלכם. שומרים את השינויים בקובץ.
5. שולחים גרסת build באמצעות Cloud Build שתפתח את קובץ האימג' של Docker של שירות לקצה העורפי ותעביר אותו בדחיפה למאגר ב-Artifact Registry שיצרתם. מחליפים את הערך YOUR_REGION באזור שבו רוצים להשתמש בשירות Cloud Build.

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

6. חשוב לזכור: כתובת ה-URL של קובץ אימג' של Docker החדש היא YOUR_REGION-docker.pkg.dev/YOUR_PROJECT_ID/dashboard-summarization-repo/websocketserviceimage:latest. מחליפים את YOUR_PROJECT_ID במזהה הפרויקט. מחליפים את YOUR_REGION באזור משלב 2 שבו השתמשתם כדי ליצור את מאגר Artifact Registry.
7. עוברים לספרייה websocket-service/terraform במאגר המשוכפל.

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

8. בוחרים את המיקום של Google Cloud Run שבו רוצים להפעיל את שירות ה-backend של ה-WebSocket. בוחרים מבין המיקומים האלה.
9. עורכים את הקובץ variables.tf ומחליפים את YOUR_PROJECT_ID ו-YOUR_DOCKER_IMAGE_URL בערכים המתאימים. בודקים את שלב 6 כדי לראות את כתובת ה-URL של תמונת ה-Docker. מחליפים את YOUR_REGION באזור שבחרתם בשלב 8 הקודם. שומרים את השינויים בקובץ.
10. פורסים את המשאבים שבהם שירות הקצה העורפי ישתמש באמצעות Terraform.

terraform init
terraform plan
terraform apply

11. שומרים את נקודת הקצה של כתובת ה-URL של Cloud Run שנפרסה לקטע הבא.

מזל טוב! פרסתם את שירות ה-backend של ה-websocket והוא פועל עכשיו ב-Google Cloud Run. מעכשיו, כל המקרים של תוסף סיכום מרכז הבקרה של Looker יכולים לתקשר עם שירות לקצה העורפי שלכם. מומלץ שתמיד יהיה לפחות מופע אחד של שירות ה-backend של ה-WebSocket שפועל ב-Cloud Run. התכונה 'התמדה' בשירות הקצה העורפי שומרת על שלמות הנתונים שמוזרמים בין שירות הקצה העורפי של ה-WebSocket לבין הקצה הקדמי של התוסף, ועוזרת לשמור על הסשן של כל משתמש בזמן שהוא משתמש בתוסף.

הערה: שירות הקצה העורפי של ה-WebSocket שנפרס ב-Cloud Run ב-Code Lab הזה חשוף לציבור.

הערה: בכל פעם שמשתמש מורה לחלק הקצה הקדמי של התוסף ליצור סיכומים ללוח בקרה, שירות הקצה העורפי מבצע קריאה ל-Vertex AI לכל שאילתה בלוח הבקרה, ועוד קריאה סופית אחת כדי לעצב את כל הסיכומים. אתם יכולים לרשום ביומן את הקריאות ששירות לקצה העורפי שלכם מבצע ל-Vertex AI כדי להעריך את העלויות ולעקוב אחריהן. בקטע האופציונלי 'הגדרת רישום ביומן של מודל Gemini' ב-codelab הזה מוסבר איך עושים את זה.

5. פריסת קצה קדמי בסביבת הייצור

בקטע האחרון הזה, תבצעו את השלבים הסופיים של פריסת הקצה הקדמי של התוסף, כדי שהיא תהיה זמינה לכל משתמשי Looker במכונת Looker שלכם.

1. עוברים לספריית הבסיס של המאגר המשוכפל.

cd ~/dashboard-summarization

2. עורכים את .קובץ env. מחליפים את YOUR_CLOUD_RUN_URL בנקודת הקצה (endpoint) של כתובת ה-URL של Cloud Run מהקטע הקודם. שומרים את השינויים בקובץ. הפעולה הזו תפנה את הקצה הקדמי של התוסף של סביבת הייצור לשירות לקצה העורפי של ה-WebSocket שפועל ב-Cloud Run.
3. יוצרים את קובץ ה-JavaScript של התוסף. ספרייה בשם dist תיצור באופן אוטומטי קובץ בשם bundle.js וקבצים נוספים.

npm run build

4. פותחים דפדפן אינטרנט ונכנסים למופע Looker. פותחים את סרגל הניווט הימני ומפעילים את המתג 'מצב פיתוח' בתחתית.
5. פותחים את חלונית הניווט הצדדית שמימין, בוחרים באפשרות Develop (פיתוח), גוללים למטה ובוחרים באפשרות dashboard-summarization (סיכום לוח בקרה), פרויקט LookML של התוסף. עכשיו אתם אמורים להיות בסביבת הפיתוח המשולבת (IDE) של Looker עבור פרויקט של LookML.
6. גוררים את כל הקבצים בספריית dist שנוצרה קודם לכן אל ספריית הבסיס של הפרויקט ב'דפדפן הקבצים'. אם אתם צריכים עזרה נוספת, אתם יכולים לפעול לפי ההוראות האלה.
7. פותחים את קובץ manifest.lkml ב-Looker IDE. בתוך הקובץ, מחליפים את השורה

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

עם

file: "bundle.js"

מחליפים את YOUR_CLOUD_RUN_URL בכתובת ה-URL של נקודת הקצה של Cloud Run מסוף הקטע הקודם. שומרים את השינויים בקובץ.

8. לוחצים על הלחצן Validate LookML (אימות LookML) בפינה השמאלית העליונה. הלחצן ישתנה ל'אישור השינויים ושליחתם'.
9. לוחצים על הלחצן 'ביצוע השינויים ושליחתם'. מוסיפים את ההודעה הרצויה ולוחצים על 'שליחה'.
10. בפינה השמאלית העליונה של Looker IDE, לוחצים על Deploy to Production (פריסה בסביבת הייצור).

מזל טוב! הפעלתם עכשיו את כל משתמשי Looker במופע Looker שלכם כדי שיוכלו להוסיף את תוסף הסיכום של מרכז הבקרה של Looker למרכזי הבקרה שלהם. כשמשתמשים אחרים ב-Looker משתמשים בתוסף, כל המופעים של התוסף מבצעים קריאות לשירות לקצה העורפי של ה-WebSocket שפרוס ופועל ב-Google Cloud Run.

חשוב לזכור שאם מבצעים שינויים בקוד המקור, צריך:

1. בנייה מחדש של ה-JavaScript של התוסף
2. מחליפים את הקבצים שנוצרו והוספתם לפרויקט של LookML בקבצים החדשים שנוצרו מהספרייה dist.
3. אימות, ביצוע (commit) ופריסה של שינויים בפרויקט של LookML בסביבת הייצור

כדאי לנסות את התוסף Looker Dashboard Summarization! אנחנו ממליצים לך לתרום לפיתוח התוסף ולעזור לו לתת מענה טוב יותר לצרכים של קהילת Looker. אתם מוזמנים ליצור בקשת משיכה במאגר.

בקטעים הבאים מפורטות אפשרויות נוספות: הפעלת ייצוא של נתוני Slack או Google Chat, שיפור התקצירים ושלבי הפעולה הבאים של Gemini והגדרת רישום ביומן של Gemini.

6. [אופציונלי] הגדרת יכולות ייצוא

אחרי שאתם והמשתמשים שלכם ב-Looker ניסיתם את התוסף Looker Dashboard Summarization, הגיע הזמן לשתף את התובנות של התוסף עם קהל רחב יותר. בקטע הזה מוסבר איך מאפשרים לתוסף לשלוח סיכומים ושלבים הבאים ל-Google Chat או ל-Slack. כדי להמשיך בחלק הזה של ה-codelab, צריך להכיר את הגדרת Oauth.

הפעלת ייצוא של Google Chat

1. מפעילים את Chat API בפרויקט בענן ב-Google Cloud.
2. פועלים לפי שלב 1 של ההוראות להגדרת OAuth ב-Google Workspace. לגבי היקפים, צריך לכלול את spaces.messages.create.
3. פועלים לפי שלב 2 של ההוראות להגדרת OAuth ב-Google Workspace. מוסיפים את כתובת ה-URL של מופע Looker כ-URI בקטע Authorized JavaScript origins (מקורות JavaScript מורשים), לדוגמה https://mycompany.cloud.looker.com. רושמים את מזהה הלקוח שנוצר.
4. קובעים את המזהה של מרחב ה-Chat שאליו רוצים לייצא את הסיכומים. אם אתם לא בטוחים איך עושים את זה, אפשר לפעול לפי ההוראות האלה.
5. עורכים את .קובץ env. מחליפים את YOUR_GOOGLE_CLIENT_ID במזהה הלקוח. מחליפים את YOUR_GOOGLE_SPACE_ID במזהה המרחב ב-Chat. שומרים את השינויים בקובץ. הפעולה הזו תגדיר את הקצה הקדמי של התוסף כך שתוכל לשלוח את התובנות שלה למרחב ב-Chat שרוצים.
6. אם אתם מריצים את הקצה הקדמי של התוסף באופן מקומי, צריך לבנות מחדש את התוסף. אם אתם פורסים את החלק הקדמי של התוסף, צריך לפרוס אותו מחדש.

הפעלת ייצוא של נתונים מ-Slack

1. פועלים לפי שלבים 1 ו-2 במסמכי התיעוד הרשמיים למפתחים של Slack כדי להגדיר אפליקציית OAuth. לגבי היקפי הרשאות, צריך לכלול את chat:write ואת channels:read. חשוב לזכור את מזהה הלקוח ואת סוד הלקוח שנוצרו.
2. מזהים את המזהה של ערוץ Slack שאליו רוצים לייצא את הסיכומים.
3. עורכים את .קובץ env. מחליפים את YOUR_SLACK_CLIENT_ID במזהה הלקוח. מחליפים את YOUR_SLACK_CLIENT_SECRET בסוד הלקוח. מחליפים את YOUR_SLACK_CHANNEL_ID במזהה הערוץ. שומרים את השינויים בקובץ. הפעולה הזו תגדיר את חזית האפליקציה של התוסף כך שתוכל לשלוח את התובנות שלה לערוץ Slack הרצוי.
4. אם אתם מריצים את הקצה הקדמי של התוסף באופן מקומי, צריך לבנות מחדש את התוסף. אם אתם פורסים את החלק הקדמי של התוסף, צריך לפרוס אותו מחדש.

עכשיו התוסף יכול לייצא את הסיכומים שלו ישירות ל-Slack או ל-Google Chat. חשוב לזכור שהתוסף יכול לשלוח סיכומים רק למרחב ספציפי ב-Google Chat או לערוץ ספציפי ב-Slack, שמוגדרים בהגדרות התוסף. אפשר להוסיף עוד היקפי הרשאות OAuth ולשנות את הקוד כדי לאחזר ולהציג רשימה של מרחבים וערוצים שאליהם יישלחו הסיכומים.

7. [אופציונלי] שיפור הסיכום והשלבים הבאים

התוסף מציג את כל המטא-נתונים של לוח הבקרה ואת נתוני השאילתות למודל Gemini. כדי לשפר את הדיוק, את רמת הפירוט ואת העומק של הסיכומים ושל השלבים המומלצים, כדאי להוסיף כמה שיותר מטא-נתונים והקשר ללוח הבקרה עצמו. מנסים את השלבים הבאים לכל מרכז בקרה שהתוסף הוא חלק ממנו:

• פועלים לפי ההוראות האלה כדי להוסיף פרטים למרכז הבקרה. כך מודל ה-LLM יקבל מידע על ההקשר הכללי של לוח הבקרה.
• כדי להוסיף הערות לכל משבצת בלוח הבקרה, פועלים לפי ההוראות. כך המודל יקבל מידע על ההקשר של כל שאילתה בלוח הבקרה. ההערות הקצרות שנוספו להקשר ישולבו בסיכומים שייווצרו.

ככל שתוסיפו יותר מידע ללוחות הבקרה, הסיכומים והשלבים הבאים של התוסף יהיו טובים יותר. אפשר לשנות את הקוד כדי לכלול במנחה למודל Gemini מטא-נתונים נוספים של לוח הבקרה.

8. [אופציונלי] הגדרת רישום ביומן של מודל Gemini

בכל פעם שמשתמש מורה לתוסף ליצור סיכומים ללוח בקרה, התוסף מבצע קריאה ל-Vertex AI לכל שאילתה בלוח הבקרה, ועוד קריאה סופית אחת כדי לעצב את כל הסיכומים. בקטע הזה מוסבר איך לרשום ביומן את הקריאות ל-Vertex AI שהתוסף מבצע, כדי שתוכלו להעריך ולעקוב אחרי העלויות ותנועת הגולשים ב-Vertex AI. צריך לפעול לפי ההוראות האלה רק אם פרסתם את שירות לקצה העורפי של websocket.

1. קובעים את המיקום של שירות הקצה העורפי של ה-WebSocket שנפרס ב-Cloud Run.
2. כדי להגדיר sink ביומן שיעביר יומנים ל-BigQuery, פועלים לפי ההוראות האלה. יעד ה-sink צריך להיות BigQuery. מגדירים את מסנן ההכללה באמצעות קוד לדוגמה הבא, כשמחליפים את YOUR_CLOUD_RUN_LOCATION במיקום Cloud Run מהשלב הקודם.

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. מעולה!

הגדרנו את התוסף Looker Dashboard Summarization באופן מקומי כדי שתוכלו לנסות אותו. בנוסף, פרסתם את התוסף ב-Google Cloud כדי שמשתמשים אחרים יוכלו להתנסות בו. עכשיו אתם ומשתמשים אחרים יכולים לגשת לסיכומים ולשלבים הבאים שמבוססים על Gemini ישירות מתוך לוחות הבקרה.

10. המאמרים הבאים

• משנים את בסיס הקוד של התוסף כדי להתאים את הפונקציונליות שלו לצרכים של הארגון.
• תורמים למאגר של התוסף ומשפרים את התוסף בשבילכם ובשביל קהילת Looker.
• פיתוח תוסף משלכם כדי לשפר את חוויית השימוש ב-Looker
• שילוב התוסף בלוח בקרה כאריח כדי לשפר את חוויית השימוש בלוח הבקרה.