Python'da üretken yapay zeka uygulamaları için pratik gözlemlenebilirlik teknikleri

1. Genel Bakış

Üretken yapay zeka uygulamaları da diğer uygulamalar gibi gözlemlenebilirlik gerektirir. Üretken yapay zeka için özel gözlemlenebilirlik teknikleri gerekli mi?

Bu laboratuvarda basit bir üretken yapay zeka uygulaması oluşturacaksınız. Cloud Run'a dağıtın. Ayrıca, Google Cloud gözlemlenebilirlik hizmetlerini ve ürünlerini kullanarak gerekli izleme ve günlük kaydı özellikleriyle donatın.

Öğrenecekleriniz

  • Cloud Shell Düzenleyici ile Vertex AI kullanan bir uygulama yazma
  • Uygulama kodunuzu GitHub'da depolama
  • Uygulamanızın kaynak kodunu Cloud Run'a dağıtmak için gcloud KSA'yı kullanın
  • Üretken yapay zeka uygulamanıza izleme ve günlük kaydı özellikleri ekleme
  • Günlük tabanlı metrikleri kullanma
  • Open Telemetry SDK'sı ile günlük kaydını ve izlemeyi uygulama
  • Sorumlu yapay zeka verileriyle ilgili analizler edinme

2. Ön koşullar

Google Hesabınız yoksa yeni bir hesap oluşturmanız gerekir.

3. Proje ayarlama

  1. Google Hesabınızla Google Cloud Console'da oturum açın.
  2. Yeni bir proje oluşturun veya mevcut bir projeyi yeniden kullanmayı seçin. Yeni oluşturduğunuz veya seçtiğiniz projenin proje kimliğini not edin.
  3. Proje için faturalandırmayı etkinleştirin.
    • Bu laboratuvarı tamamlamanın faturalandırma maliyeti 5 ABD dolarından az olmalıdır.
    • Daha fazla ödeme alınmaması için bu laboratuvarın sonundaki adımları uygulayarak kaynakları silebilirsiniz.
    • Yeni kullanıcılar 300 ABD doları tutarındaki ücretsiz deneme sürümünden yararlanabilir.
  4. Cloud Faturalandırma'daki Projelerim bölümünde faturalandırmanın etkinleştirildiğini onaylayın
    • Yeni projenizin Billing account sütununda Billing is disabled yazıyorsa:
      1. Actions sütunundaki üç noktayı tıklayın
      2. Faturalandırmayı değiştir'i tıklayın.
      3. Kullanmak istediğiniz faturalandırma hesabını seçin
    • Canlı bir etkinliğe katılıyorsanız hesabın adı büyük olasılıkla Google Cloud Platform Deneme Sürümü Faturalandırma Hesabı şeklinde olacaktır.

4. Cloud Shell Düzenleyici'yi hazırlama

  1. Cloud Shell Düzenleyici'ye gidin. Cloud Shell'in kimlik bilgilerinizle gcloud'u çağırması için yetkilendirilmesini isteyen aşağıdaki mesaj gösterilirse devam etmek üzere Yetkilendir'i tıklayın.
    Cloud Shell'e yetki vermek için tıklayın
  2. Terminal penceresini açma
    1. Hamburger menüsünü Hamburger menü simgesi tıklayın.
    2. Terminal'i tıklayın.
    3. Yeni Terminal
      Cloud Shell Düzenleyici'de yeni terminal açma'i tıklayın.
  3. Terminalde proje kimliğinizi yapılandırın:
    gcloud config set project [PROJECT_ID]
    [PROJECT_ID] yerine projenizin kimliğini yazın. Örneğin, proje kimliğiniz lab-example-project ise komut şu şekilde olur:
    gcloud config set project lab-project-id-example
    gcloud'un GCPI API için kimlik bilgilerinizi istediğini belirten aşağıdaki mesajı görürseniz devam etmek üzere Yetkilendir'i tıklayın.
    Cloud Shell'e yetki vermek için tıklayın
    İşlem başarıyla tamamlandığında aşağıdaki mesajı görürsünüz:
    Updated property [core/project].
    WARNING görüyorsanız ve Do you want to continue (Y/N)? soruyorsanız proje kimliğini yanlış girdiğiniz muhtemeldir. Doğru proje kimliğini bulduktan sonra N, Enter tuşlarına basın ve gcloud config set project komutunu tekrar çalıştırmayı deneyin.
  4. (İsteğe bağlı) Proje kimliğini bulmakta sorun yaşıyorsanız tüm projelerinizin proje kimliğini, oluşturma zamanına göre azalan düzende görmek için aşağıdaki komutu çalıştırın:
    gcloud projects list \
     --format='value(projectId,createTime)' \
     --sort-by=~createTime

5. Google API'lerini etkinleştirme

Terminalde, bu laboratuvar için gerekli olan Google API'lerini etkinleştirin:

gcloud services enable \
     run.googleapis.com \
     cloudbuild.googleapis.com \
     aiplatform.googleapis.com \
     logging.googleapis.com \
     monitoring.googleapis.com \
     cloudtrace.googleapis.com

Bu komutun tamamlanması biraz zaman alacaktır. Sonunda şuna benzer bir başarılı mesaj gösterilir:

Operation "operations/acf.p2-73d90d00-47ee-447a-b600" finished successfully.

ERROR: (gcloud.services.enable) HttpError accessing ile başlayan ve aşağıdaki gibi hata ayrıntıları içeren bir hata mesajı alırsanız 1-2 dakika bekledikten sonra komutu tekrar deneyin.

"error": {
  "code": 429,
  "message": "Quota exceeded for quota metric 'Mutate requests' and limit 'Mutate requests per minute' of service 'serviceusage.googleapis.com' ...",
  "status": "RESOURCE_EXHAUSTED",
  ...
}

6. Gen AI Python uygulaması oluşturma

Bu adımda, seçtiğiniz bir hayvanla ilgili 10 ilginç bilgi göstermek için Gemini modelini kullanan basit bir istek tabanlı uygulamanın kodunu yazacaksınız. Uygulama kodunu oluşturmak için aşağıdakileri yapın.

  1. Terminalde codelab-o11y dizinini oluşturun:
    mkdir ~/codelab-o11y
  2. Mevcut dizini codelab-o11y olarak değiştirin:
    cd ~/codelab-o11y
  3. Bağımlılıklar listesini içeren requirements.txt dosyasını oluşturun:
    cat > requirements.txt << EOF
Flask==3.0.0
gunicorn==23.0.0
google-cloud-aiplatform==1.59.0
google-auth==2.32.0
EOF
  4. main.py dosyası oluşturun ve dosyayı Cloud Shell Düzenleyici'de açın:
    cloudshell edit main.py
    Terminalin üzerindeki düzenleyicide boş bir dosya görünür. Ekranınız aşağıdaki gibi görünür:
    main.py dosyasını düzenlemeye başladıktan sonra Cloud Shell Düzenleyici&#39;yi gösterme
  5. Aşağıdaki kodu kopyalayıp açılan main.py dosyasına yapıştırın:
    import os
from flask import Flask, request
import google.auth
import vertexai
from vertexai.generative_models import GenerativeModel

_, project = google.auth.default()
app = Flask(__name__)

@app.route('/')
def fun_facts():
    vertexai.init(project=project, location='us-central1')
    model = GenerativeModel('gemini-1.5-flash')
    animal = request.args.get('animal', 'dog') 
    prompt = f'Give me 10 fun facts about {animal}. Return this as html without backticks.'
    response = model.generate_content(prompt)
    return response.text

if __name__ == '__main__':
    app.run(debug=True, host='0.0.0.0', port=int(os.environ.get('PORT', 8080)))
    Cloud Shell Düzenleyici, birkaç saniye sonra kodunuzu otomatik olarak kaydeder.

Yapay zeka üretme uygulamasının kodunu Cloud Run'a dağıtma

  1. Terminal penceresinde, uygulamanın kaynak kodunu Cloud Run'a dağıtmak için komutu çalıştırın.
    gcloud run deploy codelab-o11y-service \
     --source="${HOME}/codelab-o11y/" \
     --region=us-central1 \
     --allow-unauthenticated
    Aşağıdaki gibi bir istem görürseniz komutun yeni bir depo oluşturacağını bildiriyordur. Enter simgesini tıklayın.
    Deploying from source requires an Artifact Registry Docker repository to store built containers.
A repository named [cloud-run-source-deploy] in region [us-central1] will be created.

Do you want to continue (Y/n)?
    Yayınlama işlemi birkaç dakika sürebilir. Dağıtım işlemi tamamlandıktan sonra aşağıdaki gibi bir çıkış görürsünüz:
    Service [codelab-o11y-service] revision [codelab-o11y-service-00001-t2q] has been deployed and is serving 100 percent of traffic.
Service URL: https://codelab-o11y-service-12345678901.us-central1.run.app
  2. Görüntülenen Cloud Run hizmet URL'sini tarayıcınızdaki ayrı bir sekmeye veya pencereye kopyalayın. Alternatif olarak, hizmet URL'sini yazdırmak için terminalde aşağıdaki komutu çalıştırın ve Ctrl tuşunu basılı tutarken gösterilen URL'yi tıklayarak URL'yi açın:
    gcloud run services list \
     --format='value(URL)' \
     --filter='SERVICE:"codelab-o11y-service"'
    URL açıldığında 500 hatası alabilir veya şu mesajı görebilirsiniz:
    Sorry, this is just a placeholder...
    Bu, hizmetlerin dağıtımı tamamlanmadığı anlamına gelir. Birkaç dakika bekleyip sayfayı yenileyin. Sonunda, Köpekler Hakkında İlginç Bilgiler ile başlayan ve köpeklerle ilgili 10 ilginç bilgi içeren bir metin görürsünüz.

Farklı hayvanlar hakkında eğlenceli bilgiler edinmek için uygulamayla etkileşim kurmayı deneyin. Bunu yapmak için URL'ye animal parametresini ekleyin. Örneğin, [ANIMAL] bir hayvan adıysa ?animal=[ANIMAL]. Örneğin, kediler hakkında 10 ilginç bilgi almak için ?animal=cat, deniz kaplumbağaları hakkında 10 ilginç bilgi almak için ?animal=sea turtle ekleyin.

7. Vertex API çağrılarınızı denetleme

Google API çağrılarının denetlenmesi, "Belirli bir API'yi kim, nerede ve ne zaman çağırıyor?" gibi soruların yanıtlarını sağlar. Uygulamanızda sorun giderirken, kaynak tüketimini araştırırken veya yazılım adli tıp analizi yaparken denetim önemlidir.

Denetleme günlükleri, yönetim ve sistem etkinliklerini izlemenize ve "veri okuma" ve "veri yazma" API işlemlerine yönelik çağrıları kaydetmenize olanak tanır. İçerik oluşturmak için Vertex AI isteklerini denetlemek istiyorsanız Cloud Console'da "Veri Okuma" denetleme günlüklerini etkinleştirmeniz gerekir.

  1. Cloud Console'da Denetleme Günlükleri sayfasını açmak için aşağıdaki düğmeyi tıklayın

  2. Sayfada, bu laboratuvar için oluşturduğunuz projenin seçili olduğundan emin olun. Seçilen proje, sayfanın sol üst köşesinde hamburger menüsünün hemen yanında gösterilir:
    Google Cloud Console proje açılır menüsü
    Gerekirse, açılır listeden doğru projeyi seçin.
  3. Veri erişimi denetim günlükleri yapılandırması tablosunda, Hizmet sütununda Vertex AI API hizmetini bulun ve hizmet adının solunda bulunan onay kutusunu işaretleyerek hizmeti seçin.
    Vertex AI API&#39;yi seçin
  4. Sağdaki bilgi panelinde "Veri Okuma" denetim türünü seçin.
    Veri okuma günlüklerini kontrol etme
  5. Kaydet'i tıklayın.

Denetleme günlükleri oluşturmak için hizmet URL'sini açın. Farklı sonuçlar almak için ?animal= parametresinin değerini değiştirirken sayfayı yenileyin.

Denetleme günlüklerini keşfetme

  1. Cloud Console'da Günlük Gezgini sayfasını açmak için aşağıdaki düğmeyi tıklayın:

  2. Aşağıdaki filtreyi Sorgu bölmesine yapıştırın.
    LOG_ID("cloudaudit.googleapis.com%2Fdata_access") AND
protoPayload.serviceName="aiplatform.googleapis.com"
    Sorgu bölmesi, Günlük Gezgini sayfasının üst kısmında bulunan bir düzenleyicidir:
    Denetleme günlüklerini sorgulayın
  3. Sorguyu çalıştır'ı tıklayın.
  4. Denetleme günlük girişlerinden birini seçin ve günlükte yakalanan bilgileri incelemek için alanları genişletin.
    Kullanılan yöntem ve model de dahil olmak üzere Vertex API çağrısıyla ilgili ayrıntıları görebilirsiniz. Ayrıca, çağrıyı başlatanın kimliğini ve hangi izinlerin çağrıyı yetkilendirdiğini de görebilirsiniz.

8. Üretken yapay zeka ile etkileşimleri günlüğe kaydetme

Denetleme günlüklerinde API istek parametreleri veya yanıt verileri bulunmaz. Ancak bu bilgiler, uygulama ve iş akışı analiziyle ilgili sorunları gidermek için önemli olabilir. Bu adımda, uygulama günlüğü ekleyerek bu boşluğu dolduruyoruz. Günlük kaydı için klasik Python'un logging paketi kullanılır. Üretim ortamınızda farklı günlük kaydı çerçevesi kullanabilirsiniz ancak temel ilkeler aynıdır.

Python'un logging paketi, Google Cloud'a günlük yazmayı bilmiyor. Standart çıkışa (varsayılan olarak stderr) veya bir dosyaya yazma işlemini destekler. Ancak Cloud Run, standart çıkışa yazdırılan bilgileri yakalayıp otomatik olarak Cloud Logging'e beslemeyi sunar. Üretken yapay zeka uygulamamıza günlük kaydı özellikleri eklemek için aşağıdaki talimatları uygulayın.

  1. Tarayıcınızdaki "Cloud Shell" penceresine (veya sekmesine) dönün.
  2. Terminalde main.py dosyasını yeniden açın:
    cloudshell edit ~/codelab-o11y/main.py
  3. Uygulamanın kodunda aşağıdaki değişiklikleri yapın:
    1. Son içe aktarma beyanını bulun. 5. satır olmalıdır:
      from vertexai.generative_models import GenerativeModel
      İmlecinizi sonraki satıra (6. satıra) getirin ve aşağıdaki kod bloğunu yapıştırın.
      import sys, json, logging
class JsonFormatter(logging.Formatter):
    def format(self, record):
        json_log_object = {
            'severity': record.levelname,
            'message': record.getMessage(),
        }
        json_log_object.update(getattr(record, 'json_fields', {}))
        return json.dumps(json_log_object)
logger = logging.getLogger(__name__)
sh = logging.StreamHandler(sys.stdout)
sh.setFormatter(JsonFormatter())
logger.addHandler(sh)
logger.setLevel(logging.DEBUG)
    2. İçerik oluşturmak için modeli çağıran kodu bulun. 30. satırda olmalıdır:
      response = model.generate_content(prompt)
      İmlecinizi SONRAKİ satırın başına (31. satır) yerleştirin ve aşağıdaki kod bloğunu buraya yapıştırın.
          json_fields = {
         'animal': animal,
         'prompt': prompt,
         'response': response.to_dict(),
    }
    logger.debug('content is generated', extra={'json_fields': json_fields})
    Bu değişiklikler, Python standart günlük kaydını, yapılandırılmış biçimlendirme kurallarına uyan dizelenmiş JSON oluşturmak için özel bir biçimlendirici kullanacak şekilde yapılandırır. Günlük kaydı, günlükleri stdout adresine yazdıracak şekilde yapılandırılır. Burada günlükler Cloud Run günlük kaydı aracısı tarafından toplanır ve Cloud Logging'e eşzamansız olarak aktarılır. Günlükler, isteğin hayvan parametresini, modelin istem ve yanıtını yakalar.Cloud Shell Düzenleyici, birkaç saniye sonra değişikliklerinizi otomatik olarak kaydeder.

Yapay zeka üretme uygulamasının kodunu Cloud Run'a dağıtma

  1. Terminal penceresinde, uygulamanın kaynak kodunu Cloud Run'a dağıtmak için komutu çalıştırın.
    gcloud run deploy codelab-o11y-service \
     --source="${HOME}/codelab-o11y/" \
     --region=us-central1 \
     --allow-unauthenticated
    Aşağıdaki gibi bir istem görürseniz komutun yeni bir depo oluşturacağını bildiriyordur. Enter simgesini tıklayın.
    Deploying from source requires an Artifact Registry Docker repository to store built containers.
A repository named [cloud-run-source-deploy] in region [us-central1] will be created.

Do you want to continue (Y/n)?
    Yayınlama işlemi birkaç dakika sürebilir. Dağıtım işlemi tamamlandıktan sonra aşağıdaki gibi bir çıkış görürsünüz:
    Service [codelab-o11y-service] revision [codelab-o11y-service-00001-t2q] has been deployed and is serving 100 percent of traffic.
Service URL: https://codelab-o11y-service-12345678901.us-central1.run.app
  2. Görüntülenen Cloud Run hizmet URL'sini tarayıcınızdaki ayrı bir sekmeye veya pencereye kopyalayın. Alternatif olarak, hizmet URL'sini yazdırmak için terminalde aşağıdaki komutu çalıştırın ve Ctrl tuşunu basılı tutarken gösterilen URL'yi tıklayarak URL'yi açın:
    gcloud run services list \
     --format='value(URL)' \
     --filter='SERVICE:"codelab-o11y-service"'
    URL açıldığında 500 hatası alabilir veya şu mesajı görebilirsiniz:
    Sorry, this is just a placeholder...
    Bu, hizmetlerin dağıtımı tamamlanmadığı anlamına gelir. Birkaç dakika bekleyip sayfayı yenileyin. Sonunda, Köpekler Hakkında İlginç Bilgiler ile başlayan ve köpeklerle ilgili 10 ilginç bilgi içeren bir metin görürsünüz.

Uygulama günlükleri oluşturmak için hizmet URL'sini açın. Farklı sonuçlar almak için ?animal= parametresinin değerini değiştirirken sayfayı yenileyin.
Uygulama günlüklerini görmek için şunları yapın:

  1. Cloud Console'da Günlük gezgini sayfasını açmak için aşağıdaki düğmeyi tıklayın:

  2. Aşağıdaki filtreyi sorgu bölmesine (Günlük gezgini arayüzünde 2. öğe) yapıştırın:
    LOG_ID("run.googleapis.com%2Fstdout") AND
severity=DEBUG
  3. Sorguyu çalıştır'ı tıklayın.

Sorgunun sonucu, istemi ve güvenlik derecelendirmelerini içeren Vertex AI yanıtını içeren günlükleri gösterir.

9. Üretken yapay zeka ile etkileşimleri sayma

Cloud Run, dağıtılan hizmetleri izlemek için kullanılabilecek yönetilen metrikler yazar. Kullanıcı tarafından yönetilen izleme metrikleri, veriler ve metrik güncellemesinin sıklığı üzerinde daha fazla kontrol sağlar. Bu tür bir metriği uygulamak için verileri toplayıp Cloud Monitoring'e yazan bir kod yazmanız gerekir. OpenTelemetry SDK'sını kullanarak uygulama yöntemi için sonraki (isteğe bağlı) adıma bakın.

Bu adımda, kullanıcı metriğini koda uygulamanın alternatifi olan günlüğe dayalı metrikler gösterilmektedir. Günlüğe dayalı metrikler, uygulamanızın Cloud Logging'e yazdığı günlük girişlerinden izleme metrikleri oluşturmanıza olanak tanır. Tür sayıcı türüne sahip, günlük tabanlı bir metrik tanımlamak için önceki adımda uyguladığımız uygulama günlüklerini kullanacağız. Metrik, Vertex API'ye yapılan başarılı çağrıların sayısını sayar.

  1. Önceki adımda kullandığımız Günlük gezgini penceresine bakın. Sorgu bölmesinin altında İşlemler açılır menüsünü bulun ve açmak için tıklayın. Menüyü bulmak için aşağıdaki ekran görüntüsüne bakın:
    İşlemler açılır menüsünü içeren sorgu sonuçları araç çubuğu
  2. Açılan menüde Günlüğe dayalı metrik oluştur panelini açmak için Metrik oluştur'u seçin.
  3. Günlük tabanlı metrik oluştur panelinde yeni bir sayaç metriği yapılandırmak için aşağıdaki adımları uygulayın:
    1. Metrik türünü ayarlayın: Sayaç'ı seçin.
    2. Ayrıntılar bölümünde aşağıdaki alanları ayarlayın:
      • Günlük kaydı metriği adı: Adı model_interaction_count olarak ayarlayın. Bazı adlandırma kısıtlamaları geçerlidir. Ayrıntılar için adlandırma kısıtlamaları Sorun giderme bölümüne bakın.
      • Açıklama: Metrik için bir açıklama girin. Örneğin, Number of log entries capturing successful call to model inference.
      • Birimler: Bu alanı boş bırakın veya 1 rakamını ekleyin.
    3. Filtre seçimi bölümündeki değerleri olduğu gibi bırakın. Derleme filtresi alanının, uygulama günlüklerini görmek için kullandığımız filtreyle aynı olduğunu unutmayın.
    4. (İsteğe bağlı) Her hayvan için yapılan arama sayısını saymanıza yardımcı olacak bir etiket ekleyin. NOT: Bu etiket, metriğin kardinalitesini büyük ölçüde artırma potansiyeline sahiptir ve üretimde kullanılması önerilmez:
      1. Etiket ekle'yi tıklayın.
      2. Etiketler bölümünde aşağıdaki alanları ayarlayın:
        • Etiket adı: Adı animal olarak ayarlayın.
        • Açıklama: Etiketin açıklamasını girin. Örneğin, Animal parameter.
        • Etiket türü: STRING öğesini seçin.
        • Alan adı: jsonPayload.animal yazın.
        • Normal ifade: Boş bırakın.
      3. Bitti'yi tıklayın
    5. Metriği oluşturmak için Metrik oluştur'u tıklayın.

Günlük tabanlı metrikler sayfasından gcloud logging metrics create CLI komutunu veya google_logging_metric Terraform kaynağını kullanarak da günlük tabanlı metrik oluşturabilirsiniz.

Metrik verileri oluşturmak için hizmet URL'sini açın. Modele birden fazla çağrı yapmak için açılan sayfayı birkaç kez yenileyin. Önceki gibi, parametrede farklı hayvanlar kullanmayı deneyin.

Günlük tabanlı metrik verilerini aramak için PromQL sorgusunu girin. PromQL sorgusu girmek için aşağıdakileri yapın:

  1. Cloud Console'da Metrik Gezgini sayfasını açmak için aşağıdaki düğmeyi tıklayın:

  2. Sorgu oluşturucu bölmesinin araç çubuğunda, adı < > MQL veya < > PromQL olan düğmeyi seçin. Düğmenin konumu için aşağıdaki resme bakın.
    Metrik Gezgini&#39;nde MQL düğmesinin konumu
  3. Dil açma/kapatma düğmesinde PromQL'nin seçili olduğunu doğrulayın. Dil değiştirme düğmesi, sorgunuzu biçimlendirmenize olanak tanıyan aynı araç çubuğunda bulunur.
  4. Sorgunuzu Sorgular düzenleyicisine girin:
    sum(rate(logging_googleapis_com:user_model_interaction_count{monitored_resource="cloud_run_revision"}[${__interval}]))
    PromQL'yi kullanma hakkında daha fazla bilgi için Cloud Monitoring'de PromQL başlıklı makaleyi inceleyin.
  5. Sorgu Çalıştır'ı tıklayın. Bu ekran görüntüsüne benzer bir çizgi grafik görürsünüz:
    Sorgulanan metrikleri gösterme

    Otomatik çalıştırma açma/kapatma düğmesi etkinleştirildiğinde Sorguyu çalıştır düğmesinin gösterilmediğini unutmayın.

10. (İsteğe bağlı) İzleme ve izleme için Open Telemetry'yi kullanma

Önceki adımda belirtildiği gibi, OpenTelemetry (Otel) SDK'sını kullanarak metrikleri uygulamak mümkündür. Mikro hizmet mimarilerinde OTel kullanılması önerilir. Bu adımda aşağıdakiler açıklanmaktadır:

  • Uygulamanın izlenmesini ve izlenmesini desteklemek için OTel bileşenlerini başlatma
  • OTel yapılandırmasını Cloud Run ortamının kaynak meta verileriyle doldurma
  • Flask uygulamasına otomatik izleme özellikleri ekleme
  • Birkaç başarılı model çağrısını izlemek için bir sayaç metriği uygulama
  • İzlemeyi uygulama günlükleriyle ilişkilendirme

Ürün düzeyindeki hizmetler için önerilen mimari, bir veya daha fazla hizmete ait tüm gözlemlenebilirlik verilerini toplamak ve beslemek için OTel toplayıcı'yı kullanmaktır. Bu adımdaki kod, basitlik açısından toplayıcıyı kullanmaz. Bunun yerine, verileri doğrudan Google Cloud'a yazan OTel dışa aktarma işlemlerini kullanır.

İzleme ve metrik izleme için OTel bileşenlerini ayarlama

  1. Tarayıcınızdaki "Cloud Shell" penceresine (veya sekmesine) dönün.
  2. Terminalde requirements.txt dosyasını ek bağımlılık listesiyle güncelleyin:
    cat >> ~/codelab-o11y/requirements.txt << EOF
opentelemetry-api==1.24.0
opentelemetry-sdk==1.24.0
opentelemetry-exporter-otlp-proto-http==1.24.0
opentelemetry-instrumentation-flask==0.45b0
opentelemetry-instrumentation-requests==0.45b0
opentelemetry-exporter-gcp-trace==1.7.0
opentelemetry-exporter-gcp-monitoring==1.7.0a0   
EOF
  3. Yeni bir dosya setup_opentelemetry.py oluşturun:
    cloudshell edit ~/codelab-o11y/setup_opentelemetry.py
    Terminalin üzerindeki düzenleyicide boş bir dosya görünür.
  4. Aşağıdaki kodu kopyalayıp açılan setup_opentelemetry.py dosyasına yapıştırın:
    import os

from opentelemetry import metrics
from opentelemetry import trace
from opentelemetry.exporter.cloud_monitoring import CloudMonitoringMetricsExporter
from opentelemetry.exporter.cloud_trace import CloudTraceSpanExporter
from opentelemetry.resourcedetector.gcp_resource_detector import GoogleCloudResourceDetector
from opentelemetry.sdk.metrics import MeterProvider
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.metrics.export import PeriodicExportingMetricReader
from opentelemetry.sdk.resources import get_aggregated_resources, Resource, CLOUD_ACCOUNT_ID, SERVICE_NAME
from opentelemetry.sdk.trace.export import BatchSpanProcessor

resource = get_aggregated_resources(
    [GoogleCloudResourceDetector(raise_on_error=True)]
)
resource = resource.merge(Resource.create(attributes={
    SERVICE_NAME: os.getenv("K_SERVICE"),
}))

meter_provider = MeterProvider(
    resource=resource,
    metric_readers=[
        PeriodicExportingMetricReader(
            CloudMonitoringMetricsExporter(), export_interval_millis=5000
        )
    ],
)
metrics.set_meter_provider(meter_provider)
meter = metrics.get_meter(__name__)

trace_provider = TracerProvider(resource=resource)
processor = BatchSpanProcessor(CloudTraceSpanExporter(
    # send all resource attributes
    resource_regex=r".*"
))
trace_provider.add_span_processor(processor)
trace.set_tracer_provider(trace_provider)

def google_trace_id_format(trace_id: int) -> str:
    project_id = resource.attributes[CLOUD_ACCOUNT_ID]
    return f'projects/{project_id}/traces/{trace.format_trace_id(trace_id)}'
    Cloud Shell Düzenleyici, birkaç saniye sonra kodunuzu otomatik olarak kaydeder.

OTel'i kullanarak uygulama kodunu izleme ve izleme özellikleriyle donatma

  1. Terminalde main.py dosyasını yeniden açın:
    cloudshell edit ~/codelab-o11y/main.py
  2. Uygulamanın kodunda aşağıdaki değişiklikleri yapın:
    1. import os satırının önüne aşağıdaki kodu ekleyin (sondaki boş satıra dikkat edin):
      from setup_opentelemetry import google_trace_id_format
from opentelemetry import metrics, trace
from opentelemetry.instrumentation.requests import RequestsInstrumentor
from opentelemetry.instrumentation.flask import FlaskInstrumentor
    2. format() yönteminin ardından (9. satır) aşağıdaki kodu ekleyin (girişin girintili olmasına dikkat edin):
              span = trace.get_current_span()
    3. 13. satırın ardından aşağıdaki kodu ekleyin (girişin girintili olmasına dikkat edin):"message": record.getMessage()
                  "logging.googleapis.com/trace": google_trace_id_format(span.get_span_context().trace_id),
            "logging.googleapis.com/spanId": trace.format_span_id(span.get_span_context().span_id),
      Bu iki ek özellik, uygulama günlükleri ile OTel izleme aralıkları arasında ilişkilendirme yapılmasına yardımcı olur.
    4. app = Flask(__name__) satırının ardından aşağıdaki kodu ekleyin:
      FlaskInstrumentor().instrument_app(app)
RequestsInstrumentor().instrument()
      Bu satır, flask uygulamamızın tüm gelen ve giden isteklerini izlemeyle donatır.
    5. Yeni eklenen kodun hemen sonrasına (33. satırdan sonra) aşağıdaki kodu ekleyin:
      meter = metrics.get_meter(__name__)
requests_counter = meter.create_counter(
    name="model_call_counter",
    description="number of model invocations",
    unit="1"
)
      Bu satırlar, model_call_counter adlı yeni bir sayaç türü metriği oluşturur ve bu metriği dışa aktarma işlemi için kaydeder.
    6. logger.debug() çağrısının ardından (49. satır) aşağıdaki kodu ekleyin:
          requests_counter.add(1, {'animal': animal})
      Bu değişiklik, uygulama Gemini modeliyle etkileşim kurmak için Vertex API'yi her başarılı şekilde çağırdığında sayacı 1 artırır.

Yapay zeka üretme uygulamasının kodunu Cloud Run'a dağıtma

  1. Terminal penceresinde, uygulamanın kaynak kodunu Cloud Run'a dağıtmak için komutu çalıştırın.
    gcloud run deploy codelab-o11y-service \
     --source="${HOME}/codelab-o11y/" \
     --region=us-central1 \
     --allow-unauthenticated
    Aşağıdaki gibi bir istem görürseniz komutun yeni bir depo oluşturacağını bildiriyordur. Enter simgesini tıklayın.
    Deploying from source requires an Artifact Registry Docker repository to store built containers.
A repository named [cloud-run-source-deploy] in region [us-central1] will be created.

Do you want to continue (Y/n)?
    Yayınlama işlemi birkaç dakika sürebilir. Dağıtım işlemi tamamlandıktan sonra aşağıdaki gibi bir çıkış görürsünüz:
    Service [codelab-o11y-service] revision [codelab-o11y-service-00001-t2q] has been deployed and is serving 100 percent of traffic.
Service URL: https://codelab-o11y-service-12345678901.us-central1.run.app
  2. Görüntülenen Cloud Run hizmet URL'sini tarayıcınızdaki ayrı bir sekmeye veya pencereye kopyalayın. Alternatif olarak, hizmet URL'sini yazdırmak için terminalde aşağıdaki komutu çalıştırın ve Ctrl tuşunu basılı tutarken gösterilen URL'yi tıklayarak URL'yi açın:
    gcloud run services list \
     --format='value(URL)' \
     --filter='SERVICE:"codelab-o11y-service"'
    URL açıldığında 500 hatası alabilir veya şu mesajı görebilirsiniz:
    Sorry, this is just a placeholder...
    Bu, hizmetlerin dağıtımı tamamlanmadığı anlamına gelir. Birkaç dakika bekleyip sayfayı yenileyin. Sonunda, Köpekler Hakkında İlginç Bilgiler ile başlayan ve köpeklerle ilgili 10 ilginç bilgi içeren bir metin görürsünüz.

Telemetri verileri oluşturmak için hizmet URL'sini açın. Farklı sonuçlar almak için ?animal= parametresinin değerini değiştirirken sayfayı yenileyin.

Uygulama izlerini keşfetme

  1. Cloud Console'da Trace Explorer sayfasını açmak için aşağıdaki düğmeyi tıklayın:

  2. En son izlemelerden birini seçin. Aşağıdaki ekran görüntüsüne benzeyen 5 veya 6 span görmeniz gerekir.
    Trace gezgininde uygulama aralığının görünümü
  3. Etkinlik işleyiciye yapılan çağrıyı izleyen aralığı (fun_facts yöntemi) bulun. / adlı son span olacaktır.
  4. İzleme ayrıntıları bölmesinde Günlükler ve etkinlikler'i seçin. Bu belirli aralıkla ilişkili uygulama günlüklerini görürsünüz. İlişkilendirme, iz ve günlükteki iz ve aralık kimlikleri kullanılarak algılanır. İstemi yazan uygulama günlüğünü ve Vertex API'nin yanıtını görmeniz gerekir.

Sayaç metriğini keşfetme

  1. Cloud Console'da Metrik Gezgini sayfasını açmak için aşağıdaki düğmeyi tıklayın:

  2. Sorgu oluşturucu bölmesinin araç çubuğunda, adı < > MQL veya < > PromQL olan düğmeyi seçin. Düğmenin konumu için aşağıdaki resme bakın.
    Metrik Gezgini&#39;nde MQL düğmesinin konumu
  3. Dil açma/kapatma düğmesinde PromQL'nin seçili olduğunu doğrulayın. Dil değiştirme düğmesi, sorgunuzu biçimlendirmenize olanak tanıyan aynı araç çubuğunda bulunur.
  4. Sorgunuzu Sorgular düzenleyicisine girin:
    sum(rate(workload_googleapis_com:model_call_counter{monitored_resource="generic_task"}[${__interval}]))
  5. Sorgu Çalıştır'ı tıklayın.Otomatik çalıştırma açma/kapatma düğmesi etkinleştirildiğinde Sorgu Çalıştır düğmesi gösterilmez.

11. (İsteğe bağlı) Günlüklerdeki karartılmış hassas bilgiler

10. adımda, uygulamanın Gemini modeliyle etkileşimi hakkındaki bilgileri günlüğe kaydettik. Bu bilgiler arasında hayvanın adı, gerçek istem ve modelin yanıtı yer alıyordu. Bu bilgilerin günlükte saklanması güvenli olsa da diğer birçok senaryo için bu durum geçerli olmayabilir. İstem, kullanıcının depolanmasını istemediği bazı kişisel veya hassas bilgileri içerebilir. Bu sorunu gidermek için Cloud Logging'a yazılan hassas verileri karartabilirsiniz. Kod değişikliklerini en aza indirmek için aşağıdaki çözüm önerilir.

  1. Gelen günlük girişlerini depolamak için Pub/Sub konusu oluşturma
  2. Alınan günlükleri PubSub konusuna yönlendiren bir günlük havuzu oluşturun.
  3. Aşağıdaki adımları uygulayarak Pub/Sub konusuna yönlendirilen günlükleri değiştiren bir Dataflow ardışık düzeni oluşturun:
    1. PubSub konusundaki bir günlük girişini okuma
    2. DLP inceleme API'sini kullanarak girişin hassas bilgiler içeren yükü olup olmadığını kontrol edin.
    3. VKÖ azaltma yöntemlerinden birini kullanarak yükteki hassas bilgileri çıkartın.
    4. Kodu karartılmış günlük girişini Cloud Logging'e yazma
  4. Ardışık düzeni dağıtma

12. (İsteğe bağlı) Temizleme

Codelab'de kullanılan kaynaklar ve API'ler için ücret ödeme riskini önlemek amacıyla, lab'i tamamladıktan sonra temizlik yapmanız önerilir. Faturalandırılmanın önüne geçmenin en kolay yolu, kod laboratuvarı için oluşturduğunuz projeyi silmektir.

  1. Projeyi silmek için terminalde delete project komutunu çalıştırın:
    PROJECT_ID=$(gcloud config get-value project)
gcloud projects delete ${PROJECT_ID} --quiet
    Cloud projeniz silindiğinde, söz konusu projede kullanılan tüm kaynakların ve API'lerin faturalandırması durdurulur. PROJECT_ID yerine proje kimliğinizi girdiğinizde şu mesajı görürsünüz:
    Deleted [https://cloudresourcemanager.googleapis.com/v1/projects/PROJECT_ID].

You can undo this operation for a limited period by running the command below.
    $ gcloud projects undelete PROJECT_ID

See https://cloud.google.com/resource-manager/docs/creating-managing-projects for information on shutting down projects.
  2. (İsteğe bağlı) Hata alırsanız laboratuvar sırasında kullandığınız proje kimliğini bulmak için 5. adıma bakın. Bu değeri, ilk talimattaki komutla değiştirin. Örneğin, proje kimliğiniz lab-example-project ise komut şu şekilde olur:
    gcloud projects delete lab-project-id-example --quiet

13. Tebrikler

Bu laboratuvarda, tahmin yapmak için Gemini modelini kullanan bir üretken yapay zeka uygulaması oluşturdunuz. Ayrıca uygulamayı temel izleme ve günlük kaydı özellikleriyle donattı. Uygulamayı ve kaynak koddaki değişiklikleri Cloud Run'a dağıttınız. Ardından, uygulamanın güvenilirliğinden emin olmak için Google Cloud Observability ürünlerini kullanarak uygulamanın performansını izleyebilirsiniz.

Şu anda kullandığınız ürünleri iyileştirmek için bir kullanıcı deneyimi (UX) araştırmasına katılmak istiyorsanız buradan kaydolun.

Öğrenmeye devam etmek için kullanabileceğiniz bazı seçenekler: