Looker Dashboard Sumarization Extension Codelab

1. قبل از شروع

در این لبه کد (1) شما افزونه خلاصه سازی داشبورد Looker را به صورت محلی تنظیم می کنید تا بتوانید آن را امتحان کنید و به صورت محلی توسعه دهید. سپس (2) افزونه را برای تولید مستقر خواهید کرد تا سایر کاربران Looker در نمونه Looker شما بتوانند از آن استفاده کنند. در نهایت، (3) می توانید مراحل اضافی را برای تنظیم دقیق و بهبود عملکرد برنامه افزودنی دنبال کنید. تمام بخش های غیر اختیاری باید به ترتیب تکمیل شوند.

نمای کلی برنامه افزودنی خلاصه سازی داشبورد Looker

از نظر عملکرد، افزونه خلاصه سازی داشبورد Looker داده های داشبورد Looker شما را به مدل Gemini Vertex AI ارسال می کند. سپس مدل Gemini خلاصه‌ای از داده‌های داشبورد شما و نسخه‌ای از مراحل بعدی را برمی‌گرداند. برنامه افزودنی خلاصه و مراحل بعدی را به صورت کاشی در داشبورد شما نمایش می دهد و با تجربه داشبورد شما ادغام می شود. علاوه بر این، برنامه افزودنی می‌تواند خلاصه و مراحل بعدی را به Slack یا Google Chat صادر کند. این برنامه افزودنی از یک برنامه React frontend همراه با یک سرویس backend websocket برای ارسال و دریافت داده ها به و از مدل Gemini Vertex AI استفاده می کند.

پیش نیازها

  • آشنایی اولیه با توسعه Node، Docker و Terraform
  • آشنایی با راه اندازی پروژه Looker LookML

چیزی که یاد خواهید گرفت

  • نحوه راه اندازی و توسعه برنامه افزودنی به صورت محلی
  • نحوه استقرار برنامه افزودنی در تولید تا سایر کاربران Looker در نمونه Looker شما بتوانند از آن استفاده کنند
  • نحوه تنظیم دقیق عملکرد برنامه افزودنی و گسترش عملکرد آن.
  • چگونه برنامه افزودنی مستقر خود را در تولید مدیریت کنید

آنچه شما نیاز دارید

  • یک نمونه Looker، یا از طریق یک مجوز اصلی Looker، فعال آزمایشی Looker Core یا یک مجوز فعال Looker Core.
  • مجوزها را در 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 Google Cloud که صورت‌حساب روی آن فعال است.
  • Cloud Run API، Vertex AI API و Artifact Registry API در پروژه فعال شده است.
  • دسترسی به یک محیط محلی با نصب gcloud CLI. مراحل Codelab یک محیط سبک لینوکس را فرض می کنند.

2. راه اندازی باطن برای توسعه محلی

در این بخش، سرویس backend websocket را برای امتحان کردن و توسعه محلی راه اندازی می کنید. این سرویس به Vertex AI دسترسی خواهد داشت.

  1. Node نسخه 18 یا بالاتر را در محیط محلی خود نصب کنید. برای نصب Node این دستورالعمل ها را دنبال کنید.
  2. مخزن برنامه افزودنی را در فهرست اصلی محلی خود کلون کنید و به دایرکتوری ریشه مخزن بروید. برای هدف این نرم افزار کد، همه نمونه های کد فرض می کنند که مخزن کلون شده شما در فهرست اصلی محلی شما قرار دارد.
cd ~
git clone git@github.com:looker-open-source/dashboard-summarization.git
  1. به دایرکتوری اصلی مخزن کلون شده بروید و نام فایل .env.example را به .env تغییر دهید تا بتوانید متغیرهای محیطی را در بخش های بعدی این Codelab تنظیم کنید.
cd ~/dashboard-summarization
mv .env.example .env
  1. به دایرکتوری src سوکت وب مخزن کلون شده بروید. این دایرکتوری حاوی کد منبع سرور است.
cd ~/dashboard-summarization/websocket-service/src
  1. وابستگی های سرویس را با NPM نصب کنید.
npm install
  1. نام فایل looker-example.ini را به looker.ini تغییر دهید.
mv looker-example.ini looker.ini
  1. داخل به روز رسانی فایل looker.ini:
  2. client_id و client_secret با کلیدهای Looker API شما.
  3. base_url با URL نمونه Looker شما در قالب: https://<YOUR_LOOKER_URL_MINUS_PROTOCOL>:19999
  4. متن بین براکت ها (سرصفحه بخش) با میزبان URL نمونه Looker شما.

به عنوان مثال، اگر شناسه مشتری شما ABC123 است، رمز مشتری شما XYZ789 است، و URL نمونه Looker شما https://mycompany.cloud.looker.com است، فایل looker.ini شما دقیقاً شبیه این خواهد بود:

[mycompany]
base_url=https://mycompany.cloud.looker.com:19999
client_id=ABC123
client_secret=XYZ789
verify_ssl=true
  1. شناسه پروژه Google Cloud خود را تعیین کنید و آن را روی متغیر محیطی PROJECT خود تنظیم کنید. YOUR_PROJECT_ID با شناسه پروژه خود جایگزین کنید.
export PROJECT="YOUR_PROJECT_ID"
  1. Vertex AI مدل Gemini را در چندین منطقه ارائه می دهد که در اینجا فهرست شده است. تعیین کنید که کدام منطقه باطن محلی شما داده ها را از مدل Gemini Vertex AI ارسال و دریافت می کند. منطقه را روی متغیر محیطی REGION خود تنظیم کنید. YOUR_VERTEX_REGION با منطقه خود، مانند us-central1 جایگزین کنید.
export REGION="YOUR_VERTEX_REGION"
  1. اکنون سرویس محلی خود را راه اندازی کنید.
npm start
  1. سرویس باطن وب سوکت محلی شما در http://localhost:5000 اجرا خواهد شد.

شما اکنون راه اندازی سرویس backend websocket را در محیط محلی خود به پایان رسانده اید.

این سرویس به عنوان رابطی بین افزونه frontend شما و مدل Gemini Vertex AI عمل می کند. این سرویس داده‌های داشبورد و LookML را از افزونه frontend شما با داده‌های جستجو شده از Looker می‌گیرد و مدل Gemini's Vertex AI را درخواست می‌کند. سپس سرویس پاسخ Gemini را به افزونه frontend پخش می‌کند تا در داشبورد شما نمایش داده شود.

همچنین می توانید تغییراتی در کد منبع سرویس باطن ایجاد کنید. ابتدا باید فرآیند سرویس را متوقف کنید، کد را تغییر دهید، سپس npm start دوباره اجرا کنید.

3. راه اندازی فرانت برای توسعه محلی

شما افزونه frontend را برای امتحان کردن و توسعه محلی در این بخش تنظیم خواهید کرد.

  1. در همان محیط محلی مراحل قبلی، به دایرکتوری ریشه مخزن کلون شده خود بروید و وابستگی های سرور frontend را برای frontend خود نصب کنید.
cd ~/dashboard-summarization
npm install
  1. سرور توسعه frontend محلی خود را راه اندازی کنید
npm run develop
  1. سرور جلویی محلی شما اکنون جاوا اسکریپت برنامه افزودنی را در http://localhost:8080/bundle.js ارائه می کند.
  2. یک مرورگر وب باز کنید و وارد نمونه Looker خود شوید.
  3. برای راه اندازی یک پروژه LookML خالی، این دستورالعمل ها را دنبال کنید. نام داشبورد پروژه را خلاصه کنید. اکنون باید پروژه خالی LookML را به طور خودکار در Looker IDE در تب مرورگر فعلی خود باز کنید.
  4. یک فایل مانیفست پروژه در ریشه پروژه LookML ایجاد کنید. فایل manifest.lkml نامیده می شود. اگر نمی دانید چگونه، این دستورالعمل ها را برای افزودن یک فایل به پروژه LookML دنبال کنید.
  5. محتوای فایل manifest.lkml جدید را با محتویات manifest.lkml در فهرست اصلی مخزن بسته خود جایگزین کنید. دکمه "ذخیره تغییرات" را در گوشه سمت راست بالا انتخاب کنید تا تغییرات در فایل ذخیره شود.
  6. در یک برگه مرورگر جداگانه، به لیست اتصالات پایگاه داده در نمونه Looker خود بروید. اگر نمی دانید چگونه این دستورالعمل ها را دنبال کنید.
  7. نام یک اتصال پایگاه داده Looker را انتخاب کنید. مهم نیست کدام اتصال را انتخاب می کنید. اگر اجازه مشاهده اتصالات پایگاه داده را ندارید، با سرپرست Looker خود تماس بگیرید و نام یکی از اتصالات پایگاه داده Looker را بپرسید.
  8. با باز کردن پروژه LookML در یک Looker IDE، به برگه مرورگر برگردید. یک فایل مدل در پروژه LookML خود ایجاد کنید و نام فایل را داشبورد خلاصه کنید.
  9. محتوای فایل dashboard-summarization.model.lkml خود را با نمونه کد زیر جایگزین کنید. مطمئن شوید که نام اتصال پایگاه داده ای را که در مرحله 9 انتخاب کرده اید، جایگزین رشته داخل نقل قول های دوگانه کنید. تغییرات را در فایل ذخیره کنید.
connection: "<YOUR_CONNECTION_NAME>"
  1. یک مخزن برای ذخیره پروژه خود در آن تنظیم کنید. دکمه "Configure Git" را در بالا سمت راست انتخاب کنید. به جای آن "Set up a bare repository" را انتخاب کنید. "ایجاد مخزن" را انتخاب کنید.
  2. شما اکنون یک مخزن ساده برای ذخیره فایل های پروژه LookML خود دارید. با انتخاب "بازگشت به پروژه" یا پیمایش دستی به عقب به پروژه در Looker IDE برگردید.
  3. دکمه "Validate LookML" را در گوشه سمت راست بالا انتخاب کنید. دکمه به "تغییر تغییرات و فشار دادن" تغییر خواهد کرد.
  4. دکمه "Commit changes and push" را انتخاب کنید. هر پیامی که می خواهید اضافه کنید و "Commit" را انتخاب کنید.
  5. "Deploy to Production" را در گوشه سمت راست بالای Looker IDE انتخاب کنید. اکنون افزونه را به نمونه Looker خود اضافه کرده اید!
  6. به داشبورد Looker بروید که می‌خواهید افزونه را به آن اضافه کنید.
  7. برای افزودن کاشی افزونه به داشبورد خود، دستورالعمل ها را دنبال کنید. افزونه جدید خود را به عنوان کاشی به داشبورد خود اضافه کنید.
  8. اطمینان حاصل کنید که سرویس پشتیبانی وب سوکت محلی شما که قبلاً راه اندازی کرده اید در حال اجرا است.

تبریک می گویم! اکنون می توانید افزونه خلاصه سازی داشبورد Looker را در داشبورد خود امتحان کنید. برنامه افزودنی شما متادیتای داشبورد شما را به سرویس باطن وب سوکت محلی شما ارسال می کند و خروجی Gemini را از سرویس باطن شما درست در کاشی افزونه داشبورد شما نمایش می دهد.

هنگامی که سرور محلی شما در حال اجرا است، می توانید تغییراتی در کد منبع جاوا اسکریپت برنامه افزودنی ایجاد کنید و سرور به طور خودکار تغییرات را ایجاد و ارائه می کند. برای مشاهده تغییرات باید صفحه افزونه یا داشبورد خود را مجدداً بارگیری کنید.

4. استقرار Backend برای تولید

در این بخش، اکنون سرویس backend websocket را راه‌اندازی می‌کنید تا هر نمونه از پسوند خلاصه سازی داشبورد خود را در هر داشبوردی در نمونه Looker شما ارائه دهد. این به سایر کاربران Looker اجازه می‌دهد تا برنامه افزودنی را در داشبورد خود بدون نیاز به راه‌اندازی سرویس Backend خود امتحان کنند. این مراحل فرض می‌کنند که شما قبلاً با موفقیت پشتیبان را برای توسعه محلی در همان محیط محلی قبلی مستقر کرده‌اید.

  1. برای راه‌اندازی اعتبار پیش‌فرض برنامه در محیط محلی خود با شناسه پروژه خود برای مراحل بعدی، این دستورالعمل‌ها را دنبال کنید.
  2. یک مخزن رجیستری مصنوع برای تصاویر Docker سرویس باطن خود ایجاد کنید. YOUR_REGION را با منطقه ای که می خواهید مخزن شما در آن باشد جایگزین کنید.
gcloud artifacts repositories create dashboard-summarization-repo \
    --repository-format=docker \
    --location=YOUR_REGION \
  1. به دایرکتوری src سوکت وب مخزن کلون شده خود بروید.
cd ~/dashboard-summarization/websocket-service/src
  1. فایل cloudbuild.yaml را ویرایش کنید و همه نمونه‌های YOUR_REGION و YOUR_PROJECT_ID را با منطقه و شناسه پروژه خود جایگزین کنید. تغییرات را در فایل ذخیره کنید.
  2. با استفاده از Cloud Build یک بیلد ارسال کنید که تصویر Docker سرویس باطن را بسازد و آن را به مخزن Artifact Registry که به تازگی ایجاد کرده‌اید به سمت بالا هدایت کند. منطقه ای را که می خواهید از سرویس Cloud Build در آن استفاده کنید، جایگزین YOUR_REGION کنید.
gcloud builds submit --region=YOUR_REGION --config cloudbuild.yaml
  1. به یاد داشته باشید، نشانی اینترنتی تصویر Docker تازه ساخته شده شما در YOUR_REGION-docker.pkg.dev/YOUR_PROJECT_ID/dashboard-summarization-repo/websocketserviceimage:latest است. YOUR_PROJECT_ID با شناسه پروژه خود جایگزین کنید. YOUR_REGION با منطقه ای از مرحله 2 که 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. تعیین کنید که در کدام مکان از Google Cloud Run می خواهید سرویس backend websocket خود را اجرا کنید. از این مکان ها 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 نشانی اینترنتی تصویر docker خود بررسی کنید. YOUR_REGION با منطقه ای که در مرحله 8 قبلی انتخاب کردید جایگزین کنید. تغییرات خود را در فایل ذخیره کنید.
  3. منابعی را که سرویس باطن شما استفاده می کند با استفاده از terraform مستقر کنید.
terraform init
terraform plan
terraform apply
  1. Deployed Cloud Run URL Endpoint را برای بخش بعدی ذخیره کنید.

تبریک میگم شما سرویس backend websocket خود را مستقر کرده اید و اکنون در Google Cloud Run در حال اجرا است. اکنون هر نمونه ای از برنامه افزودنی Looker Dashboard Summarization می تواند با سرویس Backend شما ارتباط برقرار کند. توصیه می کنیم همیشه حداقل یک نمونه از سرویس پشتیبان وب سوکت خود را در Cloud Run اجرا کنید. تداوم سرویس پشتیبان شما یکپارچگی جریان داده را بین سرویس باطن وب سوکت شما و فرانت اند برنامه افزودنی شما حفظ می کند و به حفظ جلسه هر کاربر در هنگام استفاده از برنامه افزودنی شما کمک می کند.

5. فرانت اند را برای تولید مستقر کنید

برای این بخش آخر، مراحل پایانی استقرار برنامه افزودنی را انجام خواهید داد تا برای همه کاربران Looker در نمونه Looker شما در دسترس باشد.

  1. به دایرکتوری اصلی مخزن کلون شده خود بروید.
cd ~/dashboard-summarization
  1. را ویرایش کنید. فایل env . YOUR_CLOUD_RUN_URL با Cloud Run URL Endpoint از بخش قبل جایگزین کنید. تغییرات فایل خود را ذخیره کنید. با این کار، فرانت‌اند افزونه تولید به سرویس باطن وب سوکت شما که در Cloud Run اجرا می‌شود، هدایت می‌کند.
  2. جاوا اسکریپت برنامه افزودنی را بسازید. دایرکتوری dist به طور خودکار با یک فایل bundle.js و فایل های دیگر در آن ایجاد می شود.
npm run build
  1. یک مرورگر وب باز کنید و وارد نمونه Looker خود شوید. ناوبری سمت چپ را باز کنید و کلید "حالت توسعه" را در پایین روشن کنید.
  2. در حالی که نوار سمت چپ باز است، «Develop» را انتخاب کنید، سپس به پایین بروید و «dashboard-summarization»، پروژه LookML برنامه افزودنی خود را انتخاب کنید. اکنون باید در Looker IDE پروژه LookML باشید.
  3. همه فایل‌های موجود در پوشه دور تولید شده قبلی را در فهرست اصلی پروژه در «مرورگر فایل» بکشید و رها کنید. اگر به کمک بیشتری نیاز دارید، این دستورالعمل ها را دنبال کنید.
  4. فایل manifest.lkml را در داخل Looker IDE باز کنید. داخل فایل، خط را جایگزین کنید
url: "http://localhost:8080/bundle.js"

با

file: "bundle.js"

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

  1. دکمه "Validate LookML" را در گوشه سمت راست بالا انتخاب کنید. دکمه به "تغییر تغییرات و فشار دادن" تغییر خواهد کرد.
  2. دکمه "Commit changes and push" را انتخاب کنید. هر پیامی که می خواهید اضافه کنید و "Commit" را انتخاب کنید.
  3. "Deploy to Production" را در گوشه سمت راست بالای Looker IDE انتخاب کنید.

تبریک میگم اکنون همه کاربران Looker را در نمونه Looker خود فعال کرده‌اید تا افزونه خلاصه‌سازی داشبورد Looker را به داشبورد خود اضافه کنند. همانطور که سایر کاربران Looker از برنامه افزودنی استفاده می کنند، همه نمونه های برنامه افزودنی با سرویس پشتیبانی وب سوکت مستقر شما که در Google Cloud Run اجرا می شود تماس می گیرند.

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

  1. دوباره جاوا اسکریپت برنامه افزودنی خود را بسازید
  2. فایل‌های تولید شده‌ای را که به پروژه LookML اضافه کرده‌اید، با فایل‌های تازه تولید شده از فهرست dist جایگزین کنید.
  3. اعتبار سنجی، متعهد شدن و استقرار تغییرات پروژه LookML در تولید

افزونه خلاصه سازی داشبورد Looker را امتحان کنید! ما شما را تشویق می‌کنیم که در برنامه افزودنی مشارکت کنید و به آن کمک کنید تا نیازهای جامعه Looker را بهتر برآورده کند. لطفاً با خیال راحت یک درخواست کشش در مخزن ایجاد کنید.

بخش‌های اختیاری زیر را بررسی کنید تا صادرات Slack/Google Chat را فعال کنید، خلاصه‌های Gemini و مراحل بعدی را تنظیم کنید و ثبت‌نام Gemini را تنظیم کنید.

6. [اختیاری] راه اندازی قابلیت های صادرات

اکنون که شما و کاربران Looker شما افزونه Looker Dashboard Summmarization را امتحان کرده‌اید، اجازه دهید بینش برنامه افزودنی را با مخاطبان بیشتری به اشتراک بگذارید. برای فعال کردن برنامه افزودنی خود برای ارسال خلاصه و مراحل بعدی به Google Chat یا Slack، این بخش را دنبال کنید. برای ادامه دادن این بخش از Codelab باید با تنظیمات Oauth آشنا باشید.

صادرات گپ Google را فعال کنید

  1. Chat API را در پروژه Google Cloud خود فعال کنید.
  2. مرحله 1 دستورالعمل های راه اندازی Google Workspace OAuth را دنبال کنید. برای دامنه ها باید spaces.messages.create را وارد کنید.
  3. مرحله 2 دستورالعمل های راه اندازی Google Workspace OAuth را دنبال کنید. نشانی وب نمونه جستجوگر خود را به عنوان یک URI در زیر «مبانی مجاز جاوا اسکریپت»، برای مثال https://mycompany.cloud.looker.com اضافه کنید. به شناسه مشتری تولید شده توجه کنید.
  4. شناسه فضای Google Chat را که می‌خواهید خلاصه‌ها را به آن صادر کنید، تعیین کنید. اگر مطمئن نیستید که چگونه، این دستورالعمل ها را دنبال کنید.
  5. را ویرایش کنید. فایل env . شناسه مشتری را جایگزین YOUR_GOOGLE_CLIENT_ID کنید. شناسه فضای گپ Google را جایگزین YOUR_GOOGLE_SPACE_ID کنید. تغییرات فایل خود را ذخیره کنید. با این کار، نمای ظاهری برنامه افزودنی شما به گونه‌ای پیکربندی می‌شود که بتواند اطلاعات آماری خود را به فضای چت Google مورد نظر شما ارسال کند.
  6. اگر برنامه افزودنی خود را به صورت محلی اجرا می کنید، افزونه خود را دوباره بسازید. در غیر این صورت، اگر در حال استقرار ظاهر برنامه افزودنی خود هستید، نمایه برنامه افزودنی خود را مجدداً مستقر کنید.

صادرات Slack را فعال کنید

  1. مراحل 1 و 2 اسناد رسمی برنامه‌نویس Slack را برای راه‌اندازی یک برنامه OAuth دنبال کنید. برای دامنه‌ها، باید chat:write و channels:read را در نظر بگیرید. به شناسه مشتری و راز مشتری تولید شده توجه کنید.
  2. شناسه کانال Slack را که می‌خواهید خلاصه‌ها را به آن صادر کنید، تعیین کنید.
  3. را ویرایش کنید. فایل env . شناسه مشتری را جایگزین YOUR_SLACK_CLIENT_ID کنید. YOUR_SLACK_CLIENT_SECRET با Client Secret جایگزین کنید. YOUR_SLACK_CHANNEL_ID با شناسه کانال جایگزین کنید. تغییرات فایل خود را ذخیره کنید. با این کار، صفحه اصلی برنامه افزودنی شما به گونه ای پیکربندی می شود که بتواند اطلاعات خود را به کانال Slack مورد نظر شما ارسال کند.
  4. اگر برنامه افزودنی خود را به صورت محلی اجرا می کنید، افزونه خود را دوباره بسازید. در غیر این صورت، اگر نمای ظاهری برنامه افزودنی خود را مستقر می‌کنید، نمایه برنامه افزودنی خود را مجدداً مستقر کنید.

اکنون برنامه افزودنی شما می‌تواند خلاصه‌های خود را مستقیماً به Slack یا Google Chat صادر کند. به خاطر داشته باشید، برنامه افزودنی فقط می‌تواند خلاصه‌ها را به یک فضای چت گوگل یا کانال Slack خاص ارسال کند. می‌توانید دامنه‌های Oauth اضافی اضافه کنید و کد را برای واکشی و نمایش فهرستی از فضاها و کانال‌ها برای ارسال خلاصه‌ها تغییر دهید.

7. [اختیاری] خلاصه و مراحل بعدی را دقیق کنید

برنامه افزودنی مدل Gemini را با تمام ابرداده‌های داشبورد و داده‌های جستجو می‌خواهد. می‌توانید دقت، جزئیات و عمق خلاصه‌ها و مراحل تجویزی را با افزودن ابرداده و زمینه به خود داشبورد بهبود بخشید. برای هر داشبوردی که افزونه شما بخشی از آن است، این مراحل را امتحان کنید:

  • این دستورالعمل ها را دنبال کنید تا جزئیات داشبورد را به داشبورد اضافه کنید. این به اطلاع LLM از زمینه کلی داشبورد کمک می کند.
  • برای افزودن یادداشت به کاشی هر داشبورد، این دستورالعمل ها را دنبال کنید. این به اطلاع رسانی LLM از زمینه هر پرس و جو در داشبورد کمک می کند. یادداشت‌های متنی کوچک در خلاصه‌های تولید شده نقش خواهند داشت.

هرچه اطلاعات بیشتری بتوانید به داشبوردهای خود اضافه کنید، خلاصه ها و مراحل بعدی برنامه افزودنی بهتر است. می‌توانید کد را تغییر دهید تا متادیتای داشبورد اضافی را در درخواست مدل Gemini اضافه کنید.

8. [اختیاری] راه اندازی ورود به سیستم مدل Gemini

هر بار که کاربر به برنامه افزودنی می‌گوید خلاصه‌هایی را برای داشبورد ایجاد کند، برنامه افزودنی برای هر پرس و جو در داشبورد به علاوه یک تماس نهایی با Vertex AI تماس می‌گیرد تا همه خلاصه‌ها را قالب‌بندی کند. برای ثبت تماس‌های Vertex AI که افزونه شما ایجاد می‌کند، این بخش را دنبال کنید تا بتوانید هزینه‌ها و ترافیک Vertex AI را تخمین زده و نظارت کنید. فقط در صورتی باید این دستورالعمل ها را دنبال کنید که از سرویس backend websocket استفاده کرده باشید.

  1. محل اجرای Cloud Run سرویس باطن وب سوکت مستقر شده خود را تعیین کنید.
  2. این دستورالعمل‌ها را برای راه‌اندازی یک log sink که سیاهه‌ها را به Big Query هدایت می‌کند، دنبال کنید. مقصد سینک باید BigQuery باشد. فیلتر گنجاندن را با نمونه کد زیر با YOUR_CLOUD_RUN_LOCATION با مکان اجرای Cloud 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"

9. تبریک!

شما افزونه Looker Dashboard Summarization را به صورت محلی تنظیم کرده اید تا بتوانید آن را امتحان کنید. شما همچنین این افزونه را در Google Cloud قرار داده اید تا سایر کاربران نیز بتوانند آن را امتحان کنند! اکنون شما و سایر کاربران می‌توانید مستقیماً از داشبورد خود به خلاصه‌های مجهز به Gemini و مراحل بعدی دسترسی داشته باشید.

10. بعدش چیه