Data Driven Knowledgebase

Looker ダッシュボードサマリ化拡張機能は、Vertex AI でホストされる大規模言語モデル (LLM) を活用し、Looker ダッシュボードのデータをリアルタイムで要約する拡張機能です。この機能は WebSocket を利用して、ストリーミングダッシュボードのサマリ生成を実現されます。

この拡張機能は、以下の3つの主要な機能に分かれます。

1.サマリ生成

ダッシュボードのデータを基に簡潔なサマリを生成します。

2.処方 (Prescription)

ダッシュボードデータに基づき、運用アクションを提案し、異常値を指摘します。

3.行動 (Action)

Looker の API を活用し、インサイトを組織のビジネスツールへエクスポートします。

さらに、以下のエクスポート機能も提供しています。

• Google Chat エクスポート（Oauth 統合）


• Slack エクスポート（Oauth 統合、リッチテキスト対応）

• フロントエンド: React, TypeScript, Webpack, Looker Extension SDK, Looker Query API


• バックエンド: Google Cloud Platform, Vertex AI, Cloud Run, WebSockets, Export API (Slack, Google Chat)

このセクションでは、Generative AI と WebSocket を使用したサーバーを Cloud Run でセットアップする手順を説明します。

ローカル開発環境のセットアップ

1.リポジトリをクローンします。

git clone https://github.com/looker-open-source/dashboard-summarization.git

2.テンプレートディレクトリへ移動します。

cd dashboard-summarization/websocket-service/src

3.依存関係をインストールします。

npm install

4.Node.js のバージョンが古い場合、npm install が失敗することがあります。必要に応じて Node.js のバージョンを更新するか、バージョンマネージャを使用して適切なバージョンに変更してください。

5.looker-example.ini を looker.ini にリネームし、以下のように Looker API のクレデンシャル情報を設定します。

[mycompany]

base_url=

client_id=

client_secret=

verify_ssl=true

6.開発サーバーを起動します。

npm run start

開発サーバーが curl http://localhost:5000 で起動することを確認します。

次に、デプロイメント手順を説明します。これには Docker ファイルのビルドと、Artifact Registry への提出が含まれます。

デプロイ手順

1.まず、Artifact Registry にリポジトリを作成します。デプロイリージョンを指定して以下のコマンドを実行します。

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

2.テンプレートディレクトリに移動します。

cd dashboard-summarization/websocket-service/src

3.looker-example.ini を looker.ini にリネームし、Looker API のクレデンシャル情報を設定します。

[mycompany]

base_url=

client_id=

client_secret=

verify_ssl=true

4.cloudbuild.yaml ファイルを更新します。

steps:

# Docker Build

- name: 'gcr.io/cloud-builders/docker'

args: ['build', '-t',

'-docker.pkg.dev//dashboard-summarization-docker-repo/websocketserviceimage',

'.']



# Docker Push

- name: 'gcr.io/cloud-builders/docker'

args: ['push',

'-docker.pkg.dev//dashboard-summarization-docker-repo/websocketserviceimage']



# = Your deployment region

# = Your GCP project ID

5.Docker ファイルをビルドし、Artifact Registry に提出します。REGION 変数をデプロイリージョンに置き換えて以下のコマンドを実行します。

gcloud auth login && gcloud auth application-default login && gcloud builds submit --region= --config cloudbuild.yaml



#=Your deployment region

6.この時点で返される Docker イメージ URL を保存します。または、Artifact Registry から Docker イメージ URL を取得します。

# 以下のような形式で返される

-docker.pkg.dev//dashboard-summarization-docker-repo/websocketserviceimage:latest

7.Terraform ディレクトリに移動します。

cd .. && cd terraform

8.variables.tf ファイル内のプロジェクト、リージョン、Docker URL、サービス名を更新します。

# project_id=

# deployment_region=

# docker_image=





variable "project_id" {

type = string

default = "" # あなたのGCPプロジェクトID

}



variable "deployment_region" {

type = string

default = "asia-northeast1" # あなたのデプロイ地域（例: 東京リージョン）

}



variable "docker_image" {

type = string

default = "asia-northeast1-docker.pkg.dev//dashboard-summarization-docker-repo/websocketserviceimage:latest"

# 先ほどのDockerイメージURL

}



variable "cloud_run_service_name" {

type = string

default = "websocket-service" # サービス名

}

9.リソースをデプロイします。環境に Application Default Credentials をエクスポートしていることを確認してください。

terraform init

terraform plan

terraform apply

20.デプロイされた Cloud Run URL エンドポイントを保存します。

オプション: BigQuery へのログ記録設定

Vertex AI への各リクエストは請求可能な文字数で記録され、コストの監視や見積もりに使用できます。Google Cloud のログシンクを設定し、以下のフィルターを使用して BigQuery にログを保存します。

resource.type = "cloud_run_revision"

resource.labels.service_name = "websocket-service"

resource.labels.location = "us-central1"

severity>=DEFAULT

jsonPayload.component="dashboard-summarization-logs"

ローカル開発環境のセットアップ

1.ルートディレクトリに移動します。

cd ../..

2.ファイルをコピーして保存し、適切な環境変数を設定します。WEBSOCKET_SERVICE には Cloud Run のエンドポイント URL を設定します。

SLACK_CLIENT_ID=

SLACK_CLIENT_SECRET=

CHANNEL_ID=

SPACE_ID=

WEBSOCKET_SERVICE=

3.依存関係をインストールします。

npm install --legacy-peer-deps

4.開発サーバーを起動します。

npm run build

bundle.js が作成されます。

5.Looker にログインし、新しい LookML プロジェクトを作成します。Develop => Manage LookML Projects => New LookML Project を選択し、Blank Project を選びます。

6.manifest.lkml ファイルを Looker プロジェクトにドラッグ＆ドロップします。必要に応じて ID やラベルを変更してください。

ローカルサーバーを起動してコードをロードする必要があります。デプロイメントの際、次の手順でプロダクションビルドを実行します。

1.プロダクションビルドを実行します。

npm run build

2.dist ディレクトリに生成された bundle.js ファイルを Looker プロジェクトにドラッグ＆ドロップします。manifest.lkml ファイルを更新し、url の代わりに file を指定します。

3.デプロイ後ダッシュボード画面から拡張機能を選択して、実際のサマライズを確認できます。

Looker ダッシュボードサマリ化拡張機能は、リアルタイムのデータサマリを提供し、データに基づくアクションをビジネスツールにエクスポートする強力なツールです。この記事に従って、環境をセットアップし、デプロイ手順を実行することで、リアルタイムでのダッシュボードデータの活用を開始できます。