چگونه یک تیم مهندسی با فایل‌های HTML و هوش مصنوعی ابزار گران‌قیمت Looker را دور زد — Can we replace a $150k Looker with a bucket of HTML files?
خلاصه
یک تیم کوچک داده‌ای با استفاده از هوش مصنوعی، اسناد HTML و زیرساخت موجود خود توانستند ابزار هوش تجاری گران‌قیمت Looker را با هزینه‌ای بسیار پایین‌تر جایگزین کنند. این مقاله نشان می‌دهد که چگونه ترکیب هوش مصنوعی، Snowflake و dbt می‌تواند جایگزین ابزارهای سنتی SaaS شود.
زمینه و ایده اولیه
بسیاری از شرکت‌ها هزینه‌های هنگفتی برای ابزارهای هوش تجاری (BI) مانند Looker پرداخت می‌کنند؛ مثلاً رقمی در حدود ۱۵۰ هزار دلار در سال برای ۳۰۰ کاربر. تیم داده‌ی ۵۰۰ نفره‌ای شامل سه مهندس، بیشتر وقت خود را صرف نگهداری از پایگاه داده Snowflake، پروژه‌های dbt و کارهای زیرساختی مانند Airflow و Kubernetes می‌کردند.
یکی از اعضای تیم تصمیم گرفت برای سرگرمی ابزاری ساده برای میزبانی فایل‌های HTML بسازد. در عرض چند ماه، میزان استفاده از این راه‌حل داخلی به اندازه Looker (و حتی بیشتر) رسید، در حالی که هزینه‌ها به شدت کاهش یافت.
نقش هوش مصنوعی و تولید کد
مدتی قبل از این اتفاق، خروجی‌های هوش مصنوعی غالباً غیرقابل اعتماد بودند و کدهای SQL تولید شده با وجود بدون خطا بودن، اعداد اشتباهی می‌دادند. اما با پیشرفت مدل‌هایی مثل Claude Code، همه‌چیز تغییر کرد. کاربران در بخش‌های مالی، بازاریابی و عملیات که هرگز ترمینال را ندیده بودند، شروع به پرامپت‌نویسی کردند.
هوش مصنوعی توانست گزارش‌ها را به شکل فایل‌های HTML منفرد با نمودارهای زیبا و تعاملی تولید کند. برای به اشتراک‌گذاری این فایل‌ها، تیم یک سرویس ساده ساخت که فایل‌ها را در S3 ذخیره کرده و احراز هویت SSO را روی آن پیاده‌سازی کرد.
جزئیات فنی و امنیت
ابتدا همه‌چیز با کدهای ساده استاتیک شروع شد، اما تیم با افزودن یک API پرس‌وجو زنده با استفاده از توکن OAuth کاربری در Snowflake، تحول بزرگی ایجاد کرد. به این ترتیب، مدل مجوزها از قبل در Snowflake وجود داشت و نیازی به بازنویسی سیستم دسترسی نبود.
با این حال، بزرگ‌ترین چالش امنیت بود؛ چرا که اجرای جاوااسکریپت دلخواه در مرورگر کاربران می‌توانست به یک حفره امنیتی بزرگ (XSS) تبدیل شود. برای حل این مشکل، تیم اقدامات زیر را انجام داد:
- سندباکس‌سازی: هر داشبورد در یک iframe کاملاً ایزوله با سیاست‌های سخت‌گیرانه CSP اجرا می‌شود.
- سرویس متادیتا ناهم‌کد: بررسی خودکار کدهای HTML و کوئری‌های Snowflake برای شناسایی اسکریپت‌های ناشناخته یا خطرات امنیتی.
- اتصال یکپارچه (MCP): جایگزینی اسکریپت‌های آپلودپراکنده با یک اتصال‌دهنده ریموت برای ابزارهای مختلف.
چرایی اهمیت موضوع برای مهندسان
این پروژه نشان می‌دهد که ساختن یک ابزار داشبورد سفارشی در کنار استک داده‌ی موجود (dbt و Snowflake) تا چه حد می‌تواند ارزان‌تر و انعطاف‌پذیرتر از خرید لایسنس‌های گران‌قیمت باشد. هزینه هر داشبورد تولید شده توسط هوش مصنوعی به کمتر از یک دلار می‌رسد، در حالی که ابزارهای سنتی با محدودیت‌های ظاهری و قیمت‌های نجومی اداره می‌شوند.
دیدگاه‌های جامعه هکرنیوز
در بحث‌های هکرنیوز، برخی کاربران به این نکته اشاره کردند که محاسبه هزینه باید شامل زمان مهندسان برای توسعه و نگهداری ابزار نیز بشود، نه صرفاً هزینه توکن‌های هوش مصنوعی. با این حال، صرفه‌جویی مالی و کارایی این روش مورد تحسین بسیاری قرار گرفت.
این مطلب به‌صورت کاملاً خودکار و با هوش مصنوعی از مقالهٔ اصلی و بحث هکرنیوز تهیه شده و ممکن است خطا داشته باشد. حقوق مطلب اصلی متعلق به نویسندهٔ آن است. قوانین و گزارش مشکل