Codelab zur Erweiterung für die Looker-Dashboard-Zusammenfassung

1. Hinweis

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

Übersicht über die Erweiterung zur Zusammenfassung des Looker-Dashboards

Funktionstechnisch sendet die Erweiterung für die Zusammenfassung des Looker-Dashboards 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 Erweiterung zeigt die Zusammenfassung und die nächsten Schritte als Kachel in Ihrem Dashboard an. Außerdem kann die Erweiterung die Zusammenfassung und die nächsten Schritte in Slack oder Google Chat exportieren. Die Erweiterung verwendet eine React-Frontend-Anwendung, die mit einem WebSocket-Backend-Dienst gekoppelt ist, um Daten an das Gemini-Modell von Vertex AI zu senden und von diesem zu empfangen.

Voraussetzungen

• Grundkenntnisse in Knotenentwicklung, Docker und Terraform
• Kenntnisse zum Einrichten eines Looker LookML-Projekts

Aufgaben in diesem Lab

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

Voraussetzungen

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

2. Backend für lokale Entwicklung einrichten

In diesem Abschnitt richten Sie den WebSocket-Back-End-Dienst ein, den Sie 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 in allen Codebeispielen davon ausgegangen, dass sich Ihr geklontes Repository in Ihrem lokalen Basisverzeichnis befindet.

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

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

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

4. Rufen Sie das Verzeichnis src des Websocket-Backends 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. Informationen zur Aktualisierung der Datei looker.ini:
8. 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 (der Abschnittsheader) mit dem Host der URL Ihrer Looker-Instanz.

Wenn Ihre Client-ID beispielsweise ABC123 lautet, Ihr Clientschlüssel XYZ789 und die URL Ihrer Looker-Instanz https://mycompany.cloud.looker.com lautet, sieht Ihre looker.ini-Datei 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 auf 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 Regionen an, die in dieser Liste aufgeführt sind. Legen Sie fest, welche Region Ihr lokales Backend Daten vom Gemini-Modell von Vertex AI sendet und empfängt. Legen Sie die Region in der Umgebungsvariablen REGION fest. Ersetzen Sie YOUR_VERTEX_REGION durch Ihre Region, z. B. us-central1.

export REGION="YOUR_VERTEX_REGION"

10. Starten Sie jetzt den lokalen Dienst.

npm start

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

Sie haben die Einrichtung des WebSocket-Backend-Dienstes in Ihrer lokalen Umgebung abgeschlossen.

Der Dienst dient als Schnittstelle zwischen Ihrer Front-End-Erweiterung und dem Gemini-Modell von Vertex AI. Der Dienst holt Dashboard- und LookML-Daten aus Ihrer Frontend-Erweiterung mit Daten ab, die aus Looker abgefragt wurden, und fordert das Gemini-Modell von Vertex AI an. Anschließend streamt der Dienst die Antwort von Gemini an die Front-End-Erweiterung, die in Ihrem Dashboard angezeigt wird.

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

Hinweis: Ihr lokaler WebSocket-Back-End-Dienst sendet Aufrufe an Vertex AI.

3. Front-End für lokale Entwicklung einrichten

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

1. Rufen Sie in derselben lokalen Umgebung wie in den vorherigen Schritten das Stammverzeichnis Ihres geklonten Repositorys auf 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. Ihr lokaler Frontend-Server stellt das JavaScript der Erweiterung jetzt unter http://localhost:8080/bundle.js bereit.
4. Öffnen Sie einen Webbrowser und melden Sie sich bei Ihrer Looker-Instanz an.
5. Folgen Sie dieser Anleitung, um ein leeres LookML-Projekt einzurichten. Benennen Sie die Zusammenfassung des Projekt-Dashboards. Das leere LookML-Projekt sollte jetzt automatisch in der Looker IDE in Ihrem aktuellen Browsertab geöffnet werden.
6. Erstellen Sie im Stammverzeichnis des LookML-Projekts eine Projektmanifestdatei. Die Datei wird als „manifest.lkml“ bezeichnet. Wenn Sie nicht wissen, wie das geht, befolgen Sie diese Anleitung zum Hinzufügen einer Datei zu einem LookML-Projekt.
7. Ersetzen Sie den Inhalt der neuen Datei „manifest.lkml“ durch den Inhalt von „manifest.lkml“ im Stammverzeichnis Ihres geschlossenen Repositorys. Klicke oben rechts auf die Schaltfläche „Änderungen speichern“, um die Änderungen in der Datei zu speichern.
8. Rufen Sie in einem separaten Browsertab die Liste der Datenbankverbindungen in Ihrer Looker-Instanz auf. Falls du nicht weißt, wie das geht, folge dieser Anleitung.
9. Wählen Sie den Namen einer Looker-Datenbankverbindung aus. Es spielt keine Rolle, für welche Verbindung Sie sich entscheiden. Wenn Sie nicht berechtigt sind, die Datenbankverbindungen aufzurufen, wenden Sie sich an Ihren Looker-Administrator und fragen Sie nach dem Namen einer Looker-Datenbankverbindung.
10. Gehen Sie zurück zum Browsertab, in dem Ihr LookML-Projekt 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, die Zeichenfolge in den doppelten Anführungszeichen durch den Namen der Datenbankverbindung zu 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, definiert nicht die Datenbank, die Ihre Dashboard-Zusammenfassungserweiterung abfragen soll. Wenn die Erweiterung einem Dashboard hinzugefügt wird, wird die Datenbank abgefragt, die mit diesem Dashboard verknüpft ist.

12. Richten Sie ein Repository ein, in dem Ihr Projekt gespeichert werden soll. Wählen Sie rechts oben die Schaltfläche „Git konfigurieren“ aus. Wählen Sie „Stattdessen ein leeres 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 in der Looker IDE zum Projekt zurück, indem Sie „Zurück zum Projekt“ auswählen oder manuell zurückgehen.
14. Klicken Sie oben rechts auf die Schaltfläche „LookML prüfen“. Die Schaltfläche ändert sich zu „Änderungen committen und pushen“.
15. Wählen Sie die Schaltfläche "Commit changes and push" (Änderungen übernehmen und Push durchführen) aus. Fügen Sie eine beliebige Nachricht hinzu und wählen Sie „Commit“ aus.
16. Wählen Sie rechts oben in der Looker-IDE „Deploy to Production“ (In Produktion bereitstellen) aus. Sie haben die Erweiterung jetzt Ihrer Looker-Instanz hinzugefügt.
17. Navigieren Sie zu einem Looker-Dashboard, dem Sie die Erweiterung hinzufügen möchten.
18. Folgen Sie der Anleitung, um Ihrem Dashboard eine Erweiterungskachelle hinzuzufügen. Fügen Sie die neue Erweiterung als Kachel zum Dashboard hinzu.
19. Prüfen Sie, ob der zuvor eingerichtete lokale WebSocket-Backend-Dienst ausgeführt wird.

Glückwunsch! Sie können jetzt die Erweiterung für die Looker-Dashboard-Zusammenfassung 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 der lokale Frontend-Server ausgeführt wird, können Sie Änderungen am JavaScript-Quellcode der Erweiterung vornehmen. Der Server baut die Änderungen dann automatisch und stellt sie bereit. Sie müssen die Seite der Erweiterung oder des Dashboards neu laden, damit die Änderungen angezeigt werden.

Hinweis: Im optionalen Abschnitt am Ende dieses Codelabs erfahren Sie, wie Sie Ihrer Erweiterung ermöglichen, Zusammenfassungen und nächste Schritte nach Slack oder Gchat zu exportieren.

Hinweis: Im optionalen Abschnitt am Ende dieses Codelabs können Sie die Genauigkeit, Details und Tiefe der Zusammenfassungen und der nächsten Schritte für die Erweiterung verbessern.

4. Backend in der Produktion bereitstellen

In diesem Abschnitt richten Sie den WebSocket-Back-End-Dienst ein, um alle Instanzen Ihrer Dashboard-Zusammenfassungserweiterung für alle Dashboards in Ihrer Looker-Instanz bereitzustellen. Auf diese Weise können andere Looker-Benutzer die Erweiterung in ihren eigenen Dashboards ausprobieren, ohne einen eigenen Back-End-Dienst einrichten zu müssen. Bei diesen Schritten wird davon ausgegangen, dass Sie das Back-End bereits für die lokale Entwicklung in derselben lokalen Umgebung bereitgestellt haben.

1. Folgen Sie dieser Anleitung, um für die nächsten Schritte Standardanmeldedaten für Anwendungen in Ihrer lokalen Umgebung mit Ihrer Projekt-ID einzurichten.
2. Erstellen Sie ein Artifact Registry-Repository für die Docker-Images Ihres Backend-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. Rufen Sie das Verzeichnis src des WebSocket-Backends Ihres geklonten Repositorys auf.

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. Reichen Sie einen Build mit Cloud Build ein, mit dem das Docker-Image des Back-End-Dienstes erstellt und in das soeben erstellte Artifact Registry-Repository hochgeladen wird. 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 des 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 Google Cloud Run-Standort Ihr WebSocket-Backenddienst ausgeführt werden soll. Wähle einen Standort aus.
9. Bearbeiten Sie die Datei „variables.tf“ und ersetzen Sie YOUR_PROJECT_ID und YOUR_DOCKER_IMAGE_URL durch die entsprechenden Werte. Suchen Sie in Schritt 6 nach der Docker-Image-URL. Ersetzen Sie YOUR_REGION durch die Region, die Sie in Schritt 8 ausgewählt haben. Speichern Sie die Änderungen in der Datei.
10. Stellen Sie die Ressourcen, die der Back-End-Dienst verwenden wird, mithilfe von Terraform bereit.

terraform init
terraform plan
terraform apply

11. Speichern Sie die URL des bereitgestellten Cloud Run-Endpunkts für den nächsten Abschnitt.

Glückwunsch! Sie haben Ihren WebSocket-Back-End-Dienst bereitgestellt und er wird jetzt in Google Cloud Run ausgeführt. Jetzt können alle Instanzen Ihrer Looker-Dashboard-Zusammenfassungserweiterung mit Ihrem Backend-Dienst kommunizieren. Wir empfehlen, immer mindestens eine Instanz Ihres WebSocket-Backend-Dienstes in Cloud Run auszuführen. 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 bei der Verwendung Ihrer Erweiterung aufrechtzuerhalten.

Hinweis: Der WebSocket-Backenddienst, der in diesem Codelab in Cloud Run bereitgestellt wird, ist öffentlich zugänglich.

Hinweis: Jedes Mal, wenn ein Nutzer das Frontend der Erweiterung auffordert, Zusammenfassungen für ein Dashboard zu erstellen, ruft der Backend-Dienst für jede Abfrage im Dashboard Vertex AI auf. Außerdem erfolgt ein abschließender Aufruf, um alle Zusammenfassungen zu formatieren. Sie können die Vertex AI-Aufrufe Ihres Backend-Dienstes protokollieren, um die Kosten zu schätzen und zu überwachen. Weitere Informationen finden Sie in diesem Codelab im optionalen Abschnitt „Gemini-Modell-Logging einrichten“.

5. Front-End für Produktion bereitstellen

In diesem letzten Abschnitt führen Sie die letzten Schritte aus, um das Frontend der Erweiterung bereitzustellen, damit es für alle Looker-Nutzer in Ihrer Looker-Instanz verfügbar ist.

1. Wechseln Sie zum Stammverzeichnis des 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 den in Cloud Run ausgeführten WebSocket-Backend-Dienst verwiesen.
3. Erstellen Sie das JavaScript der Erweiterung. Das Verzeichnis dist wird automatisch mit einer bundle.js-Datei und anderen Dateien erstellt.

npm run build

4. Öffnen Sie einen Webbrowser und melden Sie sich in Ihrer Looker-Instanz an. Öffnen Sie die Navigationsleiste links und aktivieren Sie unten die Ein/Aus-Schaltfläche „Entwicklermodus“.
5. Wählen Sie bei geöffnetem seitlichem Navigationsmenü die Option „Develop“ (Entwickeln) aus, scrollen Sie nach unten und wählen Sie „dashboard-summarization“ (Dashboard-Zusammenfassung) aus, also das LookML-Projekt Ihrer Erweiterung. Sie sollten jetzt in der Looker-IDE für das LookML-Projekt sein.
6. Ziehen Sie alle Dateien im zuvor generierten Verzeichnis „dist“ per Drag-and-drop in das Stammverzeichnis des Projekts im Dateibrowser. Folge dieser Anleitung, wenn du weitere Hilfe benötigst.
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 aus dem letzten Abschnitt. Speichern Sie die Änderungen an der Datei.

8. Klicken Sie oben rechts auf die Schaltfläche „LookML prüfen“. Die Schaltfläche ändert sich zu "Commit changes and push" (Änderungen übernehmen und ausführen).
9. Wählen Sie die Schaltfläche "Commit changes and push" (Änderungen übernehmen und Push durchführen) aus. Fügen Sie eine beliebige Nachricht hinzu und wählen Sie „Commit“ aus.
10. Wählen Sie rechts oben in der Looker-IDE die Option „In Produktion bereitstellen“ aus.

Glückwunsch! Sie haben jetzt allen Looker-Nutzern in Ihrer Looker-Instanz die Möglichkeit gegeben, ihren Dashboards die Looker-Dashboard-Zusammenfassungserweiterung hinzuzufügen. Wenn andere Looker-Nutzer die Erweiterung verwenden, rufen alle Instanzen der Erweiterung Ihren bereitgestellten WebSocket-Backend-Dienst auf, der auf Google Cloud Run ausgeführt wird.

Wenn Sie Änderungen am Quellcode vornehmen, müssen Sie:

1. JavaScript für Erweiterung noch einmal 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 in der Produktion bereitstellen

Testen Sie die Erweiterung für die Zusammenfassung des Looker-Dashboards. Wir empfehlen Ihnen, zur Erweiterung beizutragen und zu helfen, die Anforderungen der Looker-Community besser zu erfüllen. Sie können gerne eine Pull-Anfrage im Repository erstellen.

In den folgenden optionalen Abschnitten erfahren Sie, wie Sie den Export in Slack oder 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-Benutzer die Erweiterung „Looker-Dashboard-Zusammenfassung“ ausprobiert haben, können Sie die Erkenntnisse der Erweiterung mit einer größeren Zielgruppe teilen. In diesem Abschnitt können Sie festlegen, dass Ihre Erweiterung Zusammenfassungen und die nächsten Schritte an Google Chat oder Slack senden kann. Sie sollten mit der Einrichtung von OAuth vertraut sein, um mit diesem Abschnitt des Codelabs fortzufahren.

Google Chat-Export aktivieren

1. Aktivieren Sie die Chat API in Ihrem Google Cloud-Projekt.
2. Folgen Sie Schritt 1 der Anleitung zur OAuth-Einrichtung in Google Workspace. Für Bereiche müssen Sie spaces.messages.create angeben.
3. Folgen Sie Schritt 2 der Anleitung zur OAuth-Einrichtung in Google Workspace. Fügen Sie die URL Ihrer Looker-Instanz unter „Autorisierte JavaScript-Quellen“ als URI 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. In dieser Anleitung zeigen wir Ihnen, wie Sie das tun.
5. Bearbeiten Sie die DateiDatei env. Ersetzen Sie YOUR_GOOGLE_CLIENT_ID durch die Client-ID. Ersetzen Sie YOUR_GOOGLE_SPACE_ID durch die ID des Google Chat-Bereichs. Speichern Sie die Dateiänderungen. Dadurch wird das Front-End Ihrer Erweiterung so konfiguriert, dass Daten an den gewünschten Google Chat-Bereich gesendet werden können.
6. Wenn Sie das Front-End Ihrer Erweiterung lokal ausführen, erstellen Sie die Erweiterung neu. Wenn Sie das Frontend Ihrer Erweiterung bereitstellen, stellen Sie es noch einmal bereit.

Slack-Export aktivieren

1. Führen Sie die Schritte 1 und 2 der offiziellen Slack-Entwicklerdokumentation aus, um eine OAuth-Anwendung einzurichten. Als Bereiche müssen Sie chat:write und channels:read angeben. Notieren Sie sich die generierte Client-ID und den Clientschlüssel.
2. Bestimmen Sie die ID des Slack-Kanals, in den Sie die Zusammenfassungen exportieren möchten.
3. Bearbeiten Sie die DateiDatei env. Ersetzen Sie YOUR_SLACK_CLIENT_ID durch die Kundennummer. Ersetzen Sie YOUR_SLACK_CLIENT_SECRET durch das Client-Secret. Ersetzen Sie YOUR_SLACK_CHANNEL_ID durch die Kanal-ID. Speichern Sie die Dateiänderungen. Dadurch wird das Frontend Ihrer Erweiterung so konfiguriert, dass es die Statistiken an den gewünschten Slack-Kanal senden kann.
4. Wenn Sie das Front-End Ihrer Erweiterung lokal ausführen, erstellen Sie die Erweiterung neu. Andernfalls stellen Sie das Frontend der Erweiterung noch einmal bereit.

Ihre Erweiterung kann jetzt Zusammenfassungen direkt nach Slack oder Google Chat exportieren. Die Erweiterung kann Zusammenfassungen nur an einen bestimmten hartcodierten Google Chat-Bereich oder Slack-Kanal senden. Sie können zusätzliche OAuth-Bereiche hinzufügen und den Code so ändern, dass eine Liste der Gruppenbereiche und Kanäle abgerufen und angezeigt wird, an die Zusammenfassungen gesendet werden sollen.

7. [Optional] Zusammenfassung und nächste Schritte optimieren

Die Erweiterung sendet alle Metadaten des Dashboards an das Gemini-Modell und stellt Abfragen an die Daten. Sie können die Genauigkeit, Detaillierung und Tiefe der Zusammenfassungen und präskriptiven Schritte verbessern, indem Sie dem Dashboard möglichst viele Metadaten und Kontextinformationen hinzufügen. Führen Sie diese Schritte für jedes Dashboard aus, in dem sich Ihre Erweiterung befindet:

• Folgen Sie dieser Anleitung, um dem Dashboard Dashboard-Details hinzuzufügen. So kann das LLM den allgemeinen Kontext des Dashboards besser nachvollziehen.
• Folgen Sie dieser Anleitung, um den einzelnen Dashboard-Kacheln Notizen hinzuzufügen. So kann das LLM den Kontext jeder einzelnen Abfrage auf dem Dashboard besser nachvollziehen. Die kleinen kontextbezogenen Notizen 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-Modelle einrichten

Jedes Mal, wenn ein Nutzer die Erweiterung auffordert, Zusammenfassungen für ein Dashboard zu erstellen, ruft die Erweiterung Vertex AI für jede Abfrage im Dashboard auf. Außerdem erfolgt ein abschließender Aufruf, um alle Zusammenfassungen zu formatieren. In diesem Abschnitt werden die Vertex AI-Aufrufe Ihrer Erweiterung protokolliert, damit Sie die Kosten und den Traffic von Vertex AI schätzen und beobachten können. Folgen Sie dieser Anleitung nur, wenn Sie den WebSocket-Backend-Dienst bereitgestellt haben.

1. Bestimmen Sie den Cloud Run-Speicherort des bereitgestellten WebSocket-Back-End-Dienstes.
2. Folgen Sie dieser Anleitung, um eine Logsenke einzurichten, die Logs an BigQuery weiterleitet. Das Senkenziel sollte BigQuery sein. Legen Sie den Einschlussfilter mit dem folgenden Codebeispiel fest, wobei YOUR_CLOUD_RUN_LOCATION durch den Cloud Run-Speicherort des vorherigen Schritts ersetzt wird.

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 auch ausprobieren können. Du und andere Nutzer können jetzt direkt über deine Dashboards auf Zusammenfassungen und die nächsten Schritte von Gemini zugreifen.

10. Nächste Schritte

• Ändern Sie den Code Ihrer Erweiterung, um die Funktionalität an die Anforderungen Ihrer Organisation anzupassen.
• 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
• Integriere deine Erweiterung als Kachel in ein Dashboard, um das Dashboard-Erlebnis zu verbessern.