Knowledge Catalog মেটাডেটার সাহায্যে ডেটা ফাউন্ডেশন বিল্ড করা

১. ভূমিকা

জেনারেটিভ AI মডেলগুলি শক্তিশালী যুক্তিদাতা, কিন্তু তাদের প্রাতিষ্ঠানিক প্রসঙ্গের অভাব রয়েছে। কোনও এক্সিকিউটিভ যদি AI এজেন্টকে জিজ্ঞাসা করেন, "আমাদের প্রথম ত্রৈমাসিকের উপার্জন কত?", তাহলে এজেন্ট আপনার ডেটা লেক জুড়ে "উপার্জন" নামের ডজন ডজন টেবিল খুঁজে পেতে পারে। কিছু হল কঠোর আর্থিক রিপোর্ট, অন্যগুলি হল রিয়েল-টাইম মার্কেটিং অনুমান এবং অনেকগুলি সম্ভবত বাতিল করা স্যান্ডবক্স।

স্পষ্ট গ্রাউন্ডিং ছাড়া, AI এজেন্ট নামের মিলের ভিত্তিতে একটি টেবিল বেছে নেবে, যার ফলে যাচাই না করা ডেটা থেকে "বিশ্বাসযোগ্য ভুল" উত্তর পাওয়া যাবে।

এই কোডল্যাবটি দুই-পার্টের সিরিজের অংশ যা গভর্নেন্স-অ্যাওয়ার AI এজেন্ট কীভাবে তৈরি করতে হয় তা এক্সপ্লোর করে।

এই প্রথম অংশে, আপনি একটি ডেটা ফাউন্ডেশন তৈরি করবেন। আপনি BigQuery-তে একটি বাস্তবসম্মত, "মেসি" ডেটা লেক সেট-আপ করবেন, নয়েজ থেকে সঠিক ডেটা আলাদা করতে কঠোর মেটাডেটা ট্যাগ (নলেজ ক্যাটালগ অ্যাস্পেক্ট) প্রয়োগ করবেন এবং এজেন্ট আপনার ডেটা গভর্নেন্স নিয়ম কঠোরভাবে অনুসরণ করে কিনা তা স্থানীয়ভাবে পরীক্ষা করতে Antigravity (AGY) CLI ব্যবহার করবেন।

আপনি এই সিরিজের দ্বিতীয় অংশটি পড়তে পারেন, যেখানে মডেল কন্টেক্সট প্রোটোকল (MCP) এবং Cloud Run ব্যবহার করে কীভাবে লোকাল এজেন্ট প্রোটোটাইপকে একটি নিরাপদ, এন্টারপ্রাইজ-গ্রেড ওয়েব অ্যাপ্লিকেশনে ডিপ্লয় করা যায় তা কভার করা হয়েছে। 👉 ২য় অংশ পড়ুন

আপনি কী শিখবেন

• সেটআপ স্ক্রিপ্ট ব্যবহার করে একটি বাস্তবসম্মত, মাল্টি-টিয়ার্ড ডেটা লেক ডিপ্লয় করুন।
• র-স্যান্ডবক্স টেবিল থেকে অফিসিয়াল ডেটা প্রোডাক্ট আলাদা করতে, নলেজ ক্যাটালগে কাস্টম মেটাডেটা টেমপ্লেট (অ্যাসপেক্ট টাইপ) ডিজাইন ও রেজিস্টার করুন।
• কোনও অ্যাপ্লিকেশন কোড লেখার আগে AGY CLI ব্যবহার করে স্থানীয়ভাবে ডেটা গভর্নেন্স সংক্রান্ত নিয়ম যাচাই করুন।

আপনার কী প্রয়োজন হবে

• বিলিং চালু করা আছে এমন একটি Google Cloud প্রোজেক্ট।
• Google Cloud Shell-এ অ্যাক্সেস (Cloud Shell-এ AGY CLI আগে থেকেই ইনস্টল করা থাকে)।
• BigQuery এবং Knowledge Catalog সম্পর্কে প্রাথমিক ধারণা ও পরিচিতি।

মূল ধারণা

• Knowledge Catalog: ইউনিফায়েড মেটাডেটা ম্যানেজমেন্ট পরিষেবা। আমরা এটি ব্যবহার করে ব্যবসার প্রসঙ্গ (গভর্ন্যান্স) সহ টেকনিক্যাল মেটাডেটা (স্কিমা) সমৃদ্ধ করি।
• অ্যাসপেক্ট টাইপ: একটি স্ট্রাকচার্ড মেটাডেটা টেমপ্লেট। ফ্রি-টেক্সট ট্যাগের মতো নয়, অ্যাসপেক্ট শক্তিশালী টাইপিং প্রয়োগ করে (enums, booleans), যা মেশিনকে মূল্যায়ন করার জন্য নির্ভরযোগ্য করে তোলে।

২. সেট-আপ ও প্রয়োজনীয়তা

Cloud Shell চালু করুন

Google Cloud আপনার ল্যাপটপ থেকে রিমোটলি অপারেট করা গেলেও, এই কোডল্যাবে আপনি Google Cloud Shell ব্যবহার করবেন, এটি হল ক্লাউডে চলা একটি কমান্ড লাইন এনভায়রনমেন্ট।

Google Cloud Console থেকে, উপরে ডানদিকের টুলবারে Cloud Shell আইকনে ক্লিক করুন:

এনভায়রনমেন্টে প্রভিশন ও কানেক্ট করতে মাত্র কয়েক মুহূর্ত সময় লাগতে পারে। এটি সম্পূর্ণ হয়ে গেলে, আপনি এইরকম কিছু দেখতে পাবেন:

আপনার প্রয়োজনীয় সব ডেভেলপমেন্ট টুল এই ভার্চুয়াল মেশিনে লোড করা আছে। এটি একটি স্থায়ী 5GB হোম ডিরেক্টরি অফার করে এবং Google Cloud-এ চলে, যা নেটওয়ার্ক পারফর্ম্যান্স এবং যাচাইকরণকে ব্যাপকভাবে উন্নত করে। এই কোডল্যাবে আপনার সব কাজ ব্রাউজারের মধ্যেই করা যাবে। আপনাকে কিছু ইনস্টল করতে হবে না।

এনভায়রনমেন্ট শুরু করুন

Cloud Shell খুলুন এবং আপনার প্রোজেক্ট ভেরিয়েবল সেট করুন যাতে সব কমান্ড সঠিক ইনফ্রাস্ট্রাকচারকে টার্গেট করে।

export PROJECT_ID=$(gcloud config get-value project)
gcloud config set project $PROJECT_ID
export REGION="us-central1"

API চালু করুন

নিম্নলিখিত নির্দেশাবলী কার্যকর করতে প্রয়োজনীয় Google Cloud পরিষেবা চালু করুন।

gcloud services enable \
  bigquery.googleapis.com \
  dataplex.googleapis.com

রিপোজিটরি ক্লোন করুন

GitHub রিপোজিটরি থেকে ইনফ্রাস্ট্রাকচার কোড ও অটোমেশন স্ক্রিপ্ট পান। Cloud Shell-এ ডিস্ক স্টোরেজে খালি জায়গা বাঁচাতে, আমরা শুধু এই ল্যাবের জন্য প্রয়োজনীয় নির্দিষ্ট ফোল্ডার ডাউনলোড করব।

# Perform a shallow clone to get only the latest repository structure without the full history
git clone --depth 1 --filter=blob:none --sparse https://github.com/GoogleCloudPlatform/devrel-demos.git
cd devrel-demos
# Specify and download only the folder we need for this lab
git sparse-checkout set data-analytics/governance-context
cd data-analytics/governance-context

"মেসি" ডেটা লেক তৈরি করা

বাস্তব জগতের ডেটা এনভায়রনমেন্ট খুব কমই পরিষ্কার হয়। বাস্তব পরিস্থিতি সিমুলেট করতে, আমাদের "অফিসিয়াল" ডেটা মার্ট ও বিশ্বাসযোগ্য নয় এমন "স্যান্ডবক্স" টেবিলের মিশ্রণ প্রয়োজন।

BigQuery ডেটাসেট ও টেবিল ডিপ্লয় করতে আমরা সেটআপ স্ক্রিপ্ট ব্যবহার করব।

1. সেটআপ স্ক্রিপ্ট এক্সিকিউটেবল করে রান করুন। এটি তিনটি BigQuery ডেটাসেট (finance_mart, marketing_prod, analyst_sandbox) তৈরি করবে এবং স্যাম্পেল ডেটা দিয়ে সেগুলির টেবিল পূরণ করবে।

chmod +x ./setup_bq_tables.sh
./setup_bq_tables.sh

চেকপয়েন্ট: আপনার কাছে এখন সম্পূর্ণভাবে পপুলেট করা, কিন্তু সম্পূর্ণভাবে আন-গভর্নড ডেটা লেক আছে। AI-এর কাছে প্রতিটি টেবিল একই রকম দেখতে লাগে।

৩. ডেটা গভর্নেন্স টেমপ্লেট (অ্যাসপেক্ট টাইপ) তৈরি করা হচ্ছে

এখন, আমরা কিছু ডেটা গভর্নেন্স সংক্রান্ত নিয়ম নির্ধারণ করব। Knowledge Catalog-এ, এটি একটি অ্যাসপেক্ট টাইপ তৈরি করে করা হয়, যা একটি পুনর্ব্যবহারযোগ্য, স্ট্রংলি-টাইপড মেটাডেটা টেমপ্লেট।

আমরা gcloud CLI ব্যবহার করে এই টেমপ্লেট রেজিস্টার করব যাতে আপনি দেখতে পারেন যে এটি কীভাবে সংজ্ঞায়িত করা হয়েছে।

অ্যাসপেক্ট স্কিমা খতিয়ে দেখুন

স্কিমা সংজ্ঞা দেখতে aspect_template.json-এর কন্টেন্ট আউটপুট করুন।

cat aspect_template.json

এটি আপনাকে নিম্নলিখিত JSON স্ট্রাকচার দেখাবে:

{
  "name": "OfficialDataProductSpec",
  "type": "record",
  "recordFields": [
    {
      "name": "product_tier",
      "type": "enum",
      "enumValues": [
        { "name": "GOLD_CRITICAL", "index": 1 },
        { "name": "SILVER_STANDARD", "index": 2 },
        { "name": "BRONZE_ADHOC", "index": 3 }
      ],
      ...
    },
    {
      "name": "is_certified",
      "type": "bool",
      ...
    }
  ]
}

লক্ষ্য করুন যে এই স্কিমা কীভাবে ডেটার ধরন কঠোরভাবে প্রয়োগ করে, যেমন ক্রিটিক্যালিটি টিয়ারের (GOLD_CRITICAL, SILVER_STANDARD, BRONZE_ADHOC) জন্য enum এবং is_certified-এর জন্য bool। এটি নিশ্চিত করে যে মেটাডেটা স্ট্রাকচার্ড এবং মেশিনের ক্ষেত্রে গ্রহণযোগ্য থাকে।

অ্যাসপেক্ট টাইপ রেজিস্টার করুন

আপনার নলেজ ক্যাটালগ রেজিস্ট্রিতে এই টেমপ্লেট রেজিস্টার করতে নিম্নলিখিত gcloud কমান্ড রান করুন।

gcloud dataplex aspect-types create official-data-product-spec \
    --location="${REGION}" \
    --project="${PROJECT_ID}" \
    --description="Defines the comprehensive profile of a data product for governance agents." \
    --display-name="Official Data Product Spec" \
    --metadata-template-file-name="aspect_template.json"

৪. গভর্ন্যান্স প্রয়োগ করুন

এটি হল গুরুত্বপূর্ণ ইঞ্জিনিয়ারিং ধাপ। বর্তমানে, LLM-এর কাছে finance_mart.fin_monthly_closing_internal এবং analyst_sandbox.tmp_data_dump_v2_final_real টেবিল একই রকম দেখায়। এগুলি কলাম সহ অবজেক্ট মাত্র।

একজন গভর্নেন্স ইঞ্জিনিয়ার হিসেবে, আপনাকে অবশ্যই এই টেবিলগুলিতে একটি অ্যাসপেক্ট (একটি সার্টিফায়েড মেটাডেটা লেবেল) যোগ করতে হবে যাতে সেগুলি আলাদা করা যায়। আসল এন্টারপ্রাইজে, আপনি CI/CD পাইপলাইনের মাধ্যমে এটি অটোমেট করতে পারবেন। আমরা স্ক্রিপ্টের মাধ্যমে সেই অটোমেশন সিমুলেট করব।

গভর্ন্যান্স পেলোড জেনারেট করুন

নলেজ ক্যাটালগ অ্যাস্পেক্ট কী অবশ্যই বিশ্বব্যাপী অনন্য হতে হবে (আপনার প্রোজেক্ট আইডি সহ প্রিফিক্স করা)। ./generate_payloads.sh স্ক্রিপ্ট ডায়নামিক্যালি YAML মেটাডেটা ফাইল তৈরি করবে।

chmod +x ./generate_payloads.sh
./generate_payloads.sh

আউটপুট:

এর ফলে "./aspect_payloads" ফোল্ডার তৈরি হয় যাতে ৪টি YAML ফাইল থাকে, যা গভর্নেন্স সিনারিও (গোল্ড/ইন্টার্নাল, গোল্ড/পাবলিক, সিলভার/রিয়েল-টাইম, ব্রোঞ্জ/স্যান্ডবক্স) নির্ধারণ করে।

CLI-এর মাধ্যমে অ্যাস্পেক্ট প্রয়োগ করা

স্ক্রিপ্ট চালানোর আগে, প্রসেসটি সহজ করে বোঝার জন্য আমরা আসলে কী প্রয়োগ করছি তা দেখে নেওয়া যাক। ইন্টার্নাল ফাইন্যান্স পেলোডের স্ট্রাকচার দেখতে এই কমান্ড রান করুন:

cat aspect_payloads/fin_internal.yaml

এটি আপনাকে নিম্নলিখিত কন্টেন্ট দেখাবে।

your-project-id.us-central1.official-data-product-spec:
  data:
    product_tier: GOLD_CRITICAL
    data_domain: FINANCE
    usage_scope: INTERNAL_ONLY
    update_frequency: DAILY_BATCH
    is_certified: true

লক্ষ্য করুন কীভাবে এই YAML স্পষ্টভাবে ব্যবসার প্রসঙ্গ সংজ্ঞায়িত করে, যেমন is_certified: true ফ্ল্যাগ সেট করা এবং GOLD_CRITICAL টিয়ার অ্যাসাইন করা। LLM-কে টেবিলের নামের উপর ভিত্তি করে অনুমান করার পরিবর্তে মূল্যায়ন করার জন্য স্পষ্ট, স্ট্রাকচার্ড নিয়ম প্রদান করা।

এখন, অ্যাপ্লিকেশন স্ক্রিপ্ট রান করুন। এটি BigQuery টেবিলগুলি ইটারেট করে এবং এই রিজিড মেটাডেটা অ্যাটাচ করার জন্য gcloud dataplex entries update কমান্ড এক্সিকিউট করে।

chmod +x ./apply_governance.sh
./apply_governance.sh

যাচাইকরণ (ঐচ্ছিক)

এগিয়ে যাওয়ার আগে, কনসোলে মেটাডেটা সঠিকভাবে প্রয়োগ করা হয়েছে কিনা তা যাচাই করুন।

1. Google Cloud Console-এ নলেজ ক্যাটালগ পৃষ্ঠা খুলুন। বাঁদিকের নেভিগেশন মেনুতে "Knowledge Catalog" দেখতে না পেলে, Google Cloud কনসোল উইন্ডোর উপরে সার্চ বার ব্যবহার করে "Knowledge Catalog" টাইপ করুন এবং "সেরা ফলাফল" বা "প্রোডাক্ট ও পৃষ্ঠা" বিকল্পের মধ্যে থেকে ফলাফল বেছে নিন।
2. fin_monthly_closing_internal সার্চ করুন। ফলাফলে BigQuery টেবিলটি তালিকাভুক্ত দেখতে পাবেন। টেবিলের বিবরণ পৃষ্ঠায় যেতে, টেবিলের নামের উপর ক্লিক করুন।

3. টেবিলের বিবরণ পৃষ্ঠায়, নিচে "ঐচ্ছিক ট্যাগ ও দিক" বিভাগটি খুঁজুন।
4. আপনি official-data-product-spec দিকটি খুঁজে পাবেন। কনফার্ম করুন যে ভ্যালুগুলি আমাদের প্রয়োগ করা "গোল্ড ইন্টার্নাল" সিনারিওর সাথে মেলে।

আপনি এখন কনফার্ম করেছেন যে টেকনিক্যালি অভিন্ন BigQuery টেবিল (fin_monthly_closing_internal এবং tmp_data_dump_v2_final_real) মেশিনের ক্ষেত্রে গ্রহণযোগ্য মেটাডেটা দ্বারা লজিক্যালি আলাদা করা হয়েছে।

৫. এজেন্ট কনফিগার ও প্রোটোটাইপ করুন

অ্যাপ্লিকেশন তৈরি করার আগে (যা আমরা পার্ট ২-এ করব), আমরা স্থানীয়ভাবে আমাদের ডেটা গভর্নেন্স লজিক যাচাই করব। আমাদের নলেজ ক্যাটালগ প্লাগ-ইন ইনস্টল করতে হবে এবং এজেন্ট স্কিল কনফিগার করতে হবে।

এক্সটেনশন ইনস্টল করুন

Cloud Shell-এ, নলেজ ক্যাটালগ প্লাগ-ইন ইনস্টল করুন। এটি আপনাকে কনফার্মেশন এবং আপনার সেট-আপের বিবরণ জিজ্ঞাসা করবে।

export DATAPLEX_PROJECT="${PROJECT_ID}"

agy plugin install https://github.com/gemini-cli-extensions/dataplex

এজেন্টের স্কিল পরীক্ষা করে দেখে

এজেন্ট স্কিল হল একটি স্ট্যাটিক, পুনরায় ব্যবহারযোগ্য ডেফিনিশন ফাইল যা .agents/skills/knowledge_catalog_governance/SKILL.md-এ রয়েছে। এতে এমন লজিক আছে যা মানুষের অ্যাবস্ট্র্যাক্ট নিয়মকে (যেমন, "আমার নিরাপদ ডেটা প্রয়োজন") কঠোর টেকনিক্যাল লুকআপে অনুবাদ করে।

আমরা AI-কে যে অ্যালগরিদম শেখাচ্ছি তা বুঝতে ফাইলটি পরীক্ষা করুন:

cat .agents/skills/knowledge_catalog_governance/SKILL.md

মনে রাখবেন যে এটি মডেলকে স্পষ্টভাবে নির্দেশ দেয় যাতে কঠোরভাবে ফেজ ১ (মেটাডেটা যাচাইকরণ) এবং ফেজ ২ (কোয়েরি এক্সিকিউশন) লুপ অনুসরণ করা হয়। কোনও SQL তৈরি করার আগে মডেলকে অবশ্যই মেটাডেটা খুঁজে বের করতে এবং যাচাই করতে হবে।

এজেন্ট চালু করুন এবং পরিস্থিতি পরীক্ষা করুন

AGY CLI সেশন শুরু করুন। এটি অটোমেটিক .agents/skills ডিরেক্টরি থেকে স্কিল খুঁজে নিয়ে লোড করবে।

agy

মনে রাখবেন: আপনি একাধিক প্রসঙ্গ ফাইল লোড হতে দেখতে পারেন। এটি স্বাভাবিক। CLI এই প্রোজেক্টের নির্দিষ্ট নিয়মের জন্য লোকাল স্কিল লোড করে, সাথে নলেজ ক্যাটালগ প্লাগ-ইনের জন্য ডিফল্ট নির্দেশাবলীও লোড করে।

ইনস্টলেশন যাচাই করুন

Knowledge Catalog প্লাগ-ইন চালু আছে কিনা তা কনফার্ম করতে /mcp টাইপ করুন। আপনি knowledge-catalog-কে উপলভ্য টুল সহ অ্যাক্টিভ প্লাগ-ইন হিসেবে দেখতে পাবেন।

/mcp

প্রত্যাশিত আউটপুট:

MCP Servers
...
>  ✓ knowledge-catalog  Tools: search_entries, lookup_context, lookup_entry

পরীক্ষার পরিস্থিতি (প্রোটোটাইপিং)

আপনার নিয়ম মেনে চলছে কিনা তা যাচাই করতে, নিম্নলিখিত প্রম্পটগুলি একটির পর একটি করে রানিং এজেন্ট সেশনে পেস্ট করুন।

💡 পরামর্শ: প্রম্পট করা হলে, "২. হ্যাঁ, এবং মসৃণ টেস্টিং চালু করতে, এই কথোপকথনে সবসময় ‘knowledge-catalog/search_entries' ব্যবহারের অনুমতি দিন।

• পরিস্থিতি ক (CFO-এর ডেটা সার্টিফাই করা):

"We are preparing the deck for an internal Board of Directors meeting next week. I need the numbers to be absolutely finalized, trustworthy, and kept strictly confidential. Which table is safe to use?"

প্রত্যাশিত: এজেন্ট অটোমেটিক টুল থেকে আপনার অ্যাক্টিভ প্রোজেক্ট ও অঞ্চল খুঁজে নেয়, fin_monthly_closing_internal কোয়েরি করে কারণ এটি শব্দার্থগতভাবে GOLD_CRITICAL (সঠিক) এবং INTERNAL_ONLY (বোর্ড মিটিং) এর সাথে মেলে এবং এটি সাজেস্ট করে।

• পরিস্থিতি খ (সর্বজনীন ডিসক্লোজার):

"I need to share our quarterly financial summary with an external consulting firm. It is critical that we do not leak any raw or internal metrics. Which dataset is officially scrubbed and explicitly approved for external sharing?"

প্রত্যাশিত: এজেন্টকে অবশ্যই মাসিক ইন্টার্নাল টেবিল বাইপাস করতে হবে এবং কঠোরভাবে fin_quarterly_public_report বেছে নিতে হবে কারণ এটিই একমাত্র অ্যাসেট যা EXTERNAL_READY হিসেবে ট্যাগ করা হয়েছে।

• পরিস্থিতি গ (অপারেশনাল প্রয়োজন):

"My dashboard needs to show what's happening right now with our ad spend. I can't wait for the overnight load. What do you recommend?"

প্রত্যাশিত: এজেন্ট mkt_realtime_campaign_performance বেছে নেয় কারণ এটি REALTIME_STREAMING আপডেট করার ফ্রিকোয়েন্সি শনাক্ত করে, ফাইন্যান্স ডেটার GOLD_CRITICAL টিয়ারের চেয়ে এটিকে অগ্রাধিকার দেয়।

• পরিস্থিতি D (স্যান্ডবক্স এক্সপেরিমেন্টেশন):

"I'm just playing around with some new ML models and need a lot of raw data. It doesn't need to be perfect, just a sandbox environment."

প্রত্যাশিত: এজেন্ট tmp_data_dump_v2_final_real বেছে নেয় কারণ এটি তার অ্যাস্পেক্টে BRONZE_ADHOC (র ডেটা) এবং is_certified: false (স্যান্ডবক্স এনভায়রনমেন্ট)-এর সাথে সিম্যান্টিক্যালি ম্যাচ করে।

(AGY সেশন থেকে বেরিয়ে আসতে, /exit বা /quit টাইপ করুন)

৬. অভিনন্দন! এরপরে কী?

আপনি সফলভাবে একটি পরিচালিত ডেটা ফাউন্ডেশন তৈরি করেছেন এবং প্রমাণ করেছেন যে একটি AI লোকাল CLI প্রোটোটাইপ ব্যবহার করে আপনার মেটাডেটা নিয়মগুলি কঠোরভাবে অনুসরণ করতে পারে!

এখন, আপনি একটি চেকপয়েন্টে পৌঁছে গেছেন। আপনার পরবর্তী ধাপ বেছে নিন:

বিকল্প ক: আমি এখনই পার্ট ২-এ যেতে চাই!

আপনি যদি মডেল কন্টেক্সট প্রোটোকল (MCP) এবং Cloud Run ব্যবহার করে এই লোকাল প্রোটোটাইপকে একটি সুরক্ষিত, প্রোডাকশন-গ্রেড ওয়েব অ্যাপ্লিকেশনে পরিণত করতে প্রস্তুত হন:

👉 পার্ট ২ কোডল্যাবের লিঙ্ক

⚠️ থামুন: নিচে উল্লেখ করা ক্লিন-আপের ধাপগুলি অনুসরণ করবেন না। পার্ট ২-এর জন্য আপনার বর্তমান ডেটা ও নলেজ ক্যাটালগ সেটিংস প্রয়োজন!

বিকল্প খ: আমি পার্ট ২ পরে করব অথবা আমি শুধু পার্ট ১ সম্পূর্ণ করতে চেয়েছিলাম।

আপনি যদি আজকের জন্য বন্ধ করতে এবং ক্লাউড খরচ এড়াতে চান, তাহলে আপনার রিসোর্স ক্লিন-আপ করা উচিত।

চিন্তা করবেন না! পার্ট ২-এ, আমরা একটি "ফাস্ট-ট্র্যাক স্ক্রিপ্ট" প্রদান করব যা মাত্র ২ মিনিটের মধ্যে আপনার জন্য এই পার্ট ১ এনভায়রনমেন্ট সম্পূর্ণরূপে পুনর্নির্মাণ করবে যাতে আপনি ঠিক যেখান থেকে ছেড়েছিলেন সেখান থেকে শুরু করতে পারেন।

👉 ক্লিন-আপ বিভাগে যান।

৭. ক্লিন আপ (শুধু বিকল্প B-এর জন্য)

আপনি যদি এখানে থামতে চান, তাহলে চার্জ এড়াতে রিসোর্সগুলি ধ্বংস করুন।

ডেটা লেক ধ্বংস করুন

আপনি বর্তমানে AGY CLI সেশনে থাকলে, Ctrl+C দুবার প্রেস করে বা /quit টাইপ করে সেশন থেকে বেরিয়ে আসুন। তারপর, এই কমান্ডগুলি রান করুন:

chmod +x ./cleanup_data_lake.sh
./cleanup_data_lake.sh

AGY CLI প্লাগ-ইন আনইনস্টল করুন এবং লোকাল ফাইল সরিয়ে দিন

agy plugin uninstall dataplex
cd ~
rm -rf ~/devrel-demos