O Rovo foi projetado com foco na transparência

As funções do ChatOps do AI para gerenciamento de incidentes têm a tecnologia dos grandes modelos de linguagem (LLM) desenvolvidos pela OpenAI. Elas também são baseadas em uma combinação de grandes modelos de linguagem open source (incluindo as séries Llama) e outros de aprendizado de máquina. Esses grandes modelos de linguagem incluem a série de modelos GPT da OpenAI.

O Rovo usa esses modelos para analisar e gerar linguagem natural para os produtos.

Esses grandes modelos de linguagem geram respostas com base nas suas entradas e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre os recursos dos modelos da OpenAI ou sobre essa abordagem nos artigos da empresa. Para saber mais sobre modelos de linguagem open source, consulte as informações sobre a série Llama.

Com o ChatOps do IA para gerenciamento de incidentes, seus usuários podem agilizar o processo de resolução de incidentes. Essa funcionalidade é possível porque a ferramenta gera um resumo do incidente relevante e de todas as conversas associadas até o momento e o fornece para novos usuários quando eles são adicionados ao canal do Slack. Esse canal está vinculado ao ticket do incidente no Jira Service Management. Além disso, o ChatOps do IA para gerenciamento de incidentes registra no Jira Service Management as conversas que ocorrem no Slack como uma linha do tempo para referência futura.

O ChatOps do AI para gerenciamento de incidentes funciona melhor nestes cenários:

• Sua organização usa o Slack como a principal ferramenta de colaboração na triagem e resolução de incidentes.

• Sua organização segue um protocolo de documentação de conversas relacionadas a incidentes dentro do ticket do incidente no Jira Service Management.

Por conta da maneira como os modelos costumavam alimentar o trabalho do ChatOps do AI para gerenciamento de incidentes, esses modelos podem ser imprecisos, incompletos e não confiáveis. Por exemplo, as respostas recebidas podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que parece razoável, mas é falso ou está incompleto.

O ChatOps do AI para gerenciamento de incidentes é menos útil nestes cenários:

• Você precisa de informações atuais e precisas sobre pessoas, lugares e fatos.

• Você não usa o Slack como a principal ferramenta de colaboração da organização na triagem e resolução de incidentes.

• Sua equipe não tem acesso ao ticket do incidente no Jira Service Management ou ao canal do Slack vinculado ao ticket que está passando por triagem.

Por isso, sugerimos que você considere as situações em que usa o ChatOps do AI para gerenciamento de incidentes e analise a qualidade das respostas recebidas antes de compartilhar com outras pessoas.

Também vale a pena verificar as permissões para garantir que os usuários tenham os níveis adequados de acesso aos canais do Slack e tickets de incidente relevantes.

Entendemos que você pode ter dúvidas sobre como o ChatOps do AI para gerenciamento de incidentes usa seus dados. Esta seção complementa as informações disponíveis na página de perguntas frequentes.

O que é processado:

• Os prompts (dados de entrada) e as respostas (dados de saída).
• Contexto da sua instância relevante para o comando, como dados de incidente e mensagens nos canais conectados do Slack.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você fornece sobre essa função, incluindo os comandos e respostas compartilhados com ele.

Quando se trata dos seus dados, o ChatOps do AI para gerenciamento de incidentes aplica as seguintes medidas:

• Os prompts (dados de entrada) e as respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja a OpenAI.
  • Não são armazenadas pela OpenAI.
  • Não são usados para melhorar o OpenAI nem qualquer outro provedor externo de LLM.
• A OpenAI aparece como subprocessadora na nossa página Subprocessadores. Eles não usam os dados de entrada e de saída, exceto para processar a solicitação.
• Essa função tem as mesmas permissões do seu produto. Por exemplo, se você não tem acesso a um ticket de incidente, não vai encontrar contexto suficiente sobre ele ao usar o ChatOps do IA para gerenciamento de incidentes. Se você não quer que seu conteúdo seja disponibilizado nas respostas a outros usuários do produto, trabalhe com o administrador da organização para garantir a definição apropriada das permissões de acesso da sua equipe.

Rascunhos de IA utilizam grandes modelos de linguagem desenvolvidos pela OpenAI e pela Anthropic, bem como pela combinação de modelos de linguagem de código aberto baseados em transformadores e outros modelos de aprendizado de máquina. Esses grandes modelos de linguagem incluem a série de modelos GPT da OpenAI e a série de modelos Claude da Anthropic.

O Rovo usa esses modelos para analisar e gerar linguagem natural para os produtos. Os modelos de codificador de open-source convertem as entradas textuais em formas numéricas (incorporações) que são usadas para identificar e formar tópicos a partir de suas entradas.

Esses grandes modelos de linguagem geram respostas com base nas suas entradas e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e da Anthropic. Para saber mais sobre modelos de linguagem de código aberto, consulte as informações sobre modelos de incorporação.

Os rascunhos de IA sugerem rascunhos pré-gerados de artigos de conhecimento para seus administradores e agentes avaliarem. Essa função gera rascunhos para os tickets mais comuns em um projeto do Jira Service Management, usando as informações e comentários nos tickets desse projeto.

Essa ação permite que suas equipes de serviço aumentem a cobertura dos artigos da sua base de conhecimento com mais rapidez e facilidade, o que, por sua vez, vai beneficiar o desempenho de outras funções no Jira Service Management. Por exemplo, artigos de conhecimento criados usando rascunhos de IA podem então ser usados pela função de respostas do AI do agente de serviço virtual para resolver solicitações de seus solicitantes de ajuda com mais facilidade e rapidez.

Leia mais sobre as respostas do AI no agente de serviço virtual.

A gente acredita que os rascunhos de IA funcionam melhor em cenários em que:

• Seu projeto recebe mais de 40 solicitações em qualquer mês. Projetos com menos de 40 solicitações podem não incluir informações suficientes para gerar rascunhos de IA.
• O conteúdo dos tickets, como resumo, descrição e outros campos, em geral está em inglês. A qualidade dos rascunhos de IA pode variar em outros idiomas.

É importante lembrar que, devido à forma como funcionam os modelos usados para alimentar os rascunhos de IA, às vezes eles podem apresentar um comportamento impreciso, incompleto e não confiável.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que os rascunhos de IA são menos úteis em cenários em que:

• Seu projeto recebe menos de 40 solicitações em um mês.
• O projeto cria solicitações de imediato a partir de alertas, pois elas podem não exigir um artigo da base de conhecimento, mas essa função ainda vai sugerir rascunhos de IA para você em relação a essas solicitações.
• Você precisa de rascunhos para tickets em que o conteúdo esteja em outros idiomas além do inglês.

Por isso, a gente sugere que você pense sobre as situações em que usa o Rovo e analise a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

Também considere:

• A implementação de medidas garante que os membros da sua equipe revisem com atenção os rascunhos de IA antes de prosseguir com a criação de artigos de conhecimento com base neles
• Pedido aos administradores do projeto para identificarem especialistas em suas equipes que vão ser responsáveis por revisar e editar rascunhos de IA para manter artigos de alta qualidade na base de conhecimento

A gente entende que você pode ter dúvidas sobre como os rascunhos de IA usam seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• Contexto da sua instância relevante para a função, por exemplo, dados em um ticket, como valores de campo, resumo e descrição, para gerar rascunhos usando o Rovo.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Quando se trata de seus dados, os rascunhos de IA aplicam as seguintes medidas.

• As solicitações (dados de entrada) e respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM externo que não seja a OpenAI ou a Anthropic no AWS Bedrock.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar nenhum LLMs de terceiros.
• A OpenAI e o AWS Bedrock são, cada um, um subprocessador da lista de subprocessadores da Atlassian. Eles usam os dados de entrada e de saída apenas para processar a solicitação.
• A gente só processa tickets acessíveis a todos no projeto de serviço no seu site. Qualquer problema com as permissões de tickets aplicadas não é considerado para gerar rascunhos.
• A gente atualiza os rascunhos de IA a cada 7 dias para garantir que o conteúdo esteja em dia.

Saiba mais sobre como usar o Rovo

Resumos de IA em cartões de hub da empresa usam grandes modelos de linguagem desenvolvidos pela OpenAI. Esses grandes modelos de linguagem incluem a série de modelos GPT da OpenAI.

O Rovo usa esses modelos para analisar e gerar linguagem natural para os produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre os recursos dos modelos da OpenAI.

Os resumos de IA nos cartões de hub da empresa ajudam você a preencher e publicar com rapidez seu hub da empresa, sugerindo descrições geradas pela IA para os cartões. Essa função usa o AI para gerar um resumo da página vinculada do Confluence ou blog para seu cartão de hub da empresa.

A gente acredita que os resumos de IA nos cartões de hub da empresa funcionam melhor em cenários em que:

• Você gosta de usar cartões de hub da empresa no Confluence para vincular conteúdos com muito texto.
• Você está procurando um resumo conciso do conteúdo com muito texto do Confluence para ser exibido nas descrições dos cartões do Confluence.

É importante lembrar que, devido à forma como funcionam os modelos usados para alimentar os resumos de IA nos cartões de hub da empresa, às vezes eles podem apresentar um comportamento impreciso, incompleto e não confiável.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que os resumos de IA nos cartões de hub da empresa são menos úteis em cenários em que:

• Você precisa de informações atuais e precisas sobre pessoas, lugares e fatos.
• Você precisa de um resumo de uma página muito curta do Confluence em que não há conteúdo suficiente para gerar um resumo útil.
• Você precisa de um resumo de uma página do Confluence em que a maior parte do conteúdo está em tabelas ou se expande.
• Você precisa de um resumo de uma página do Confluence com a maior parte do conteúdo em macros.

Por isso, a gente sugere que você pense sobre as situações em que usa o Rovo e analise a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

A gente entende que você pode ter dúvidas sobre como os resumos de IA nos cartões de hub da empresa usam seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• O contexto de sua instância é relevante para sua solicitação, assim como o conteúdo da página do Confluence que você deseja resumir.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Quando se trata dos seus dados, os resumos de IA nos cartões de hub da empresa aplicam as seguintes medidas.

• As solicitações (dados de entrada) e respostas (dados de saída):
  • Não são disponibilizadas para outros clientes.
  • Não são enviadas para nenhum provedor de LLM terceirizado que não seja a OpenAI.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar grandes modelos de linguagem.
• A OpenAI é um subprocessador da Lista de subprocessadores da Atlassian. Eles usam os dados de entrada e de saída apenas para processar a solicitação.
• Essa função segue as permissões na instância. Por exemplo, se você não tiver acesso a uma página do Confluence, não vai poder usar essa função para recuperar um resumo usando o Rovo. Se você não quiser que o conteúdo seja disponibilizado para outros usuários na instância, trabalhe com o administrador da organização para garantir a definição adequada das permissões.

Saiba mais sobre como usar o Rovo

O Rovo Dev usa a tecnologia de grandes modelos de linguagem desenvolvidos pela OpenAI e Anthropic no AWS Bedrock e pela Anthropic no Google Vertex AI, além de uma combinação de outros modelos de aprendizado de máquina. Esses grandes modelos de linguagem incluem a série de modelos GPT da OpenAI e a série de modelos Claude da Anthropic.

O Rovo Dev usa esses modelos para analisar e gerar linguagem natural e código nos produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e da Anthropic.

O Rovo Dev é um agente de IA sensível ao contexto para engenheiros de software profissionais. Ele entende linguagem natural e código e se integra às ferramentas da Atlassian, como o Jira, Confluence e Bitbucket, bem como a plataformas de desenvolvedores externas, como o GitHub. Desenvolvido pelo Teamwork Graph da Atlassian, ele se baseia no contexto organizacional, no conhecimento comercial e no histórico da base de código para acelerar o ciclo de vida de desenvolvimento de software. O Rovo Dev auxilia no planejamento, codificação, revisões e automação de trabalhos repetitivos em grande escala.

O conjunto de produtos Rovo Dev inclui:

• Rovo Dev no Bitbucket e no GitHub: o Rovo Dev se integra ao Bitbucket e ao GitHub para verificar se as pull requests atendem aos requisitos técnicos e aos objetivos comerciais. Ele ajuda você a identificar possíveis problemas antes que eles cheguem à produção e garante que as alterações no código estejam alinhadas aos critérios de aceitação do Jira, reduzindo os ciclos de revisão e evitando o retrabalho.

• CLI do Rovo Dev: traz o Rovo Dev direto para sua interface de linha de comando, transformando seu terminal em um agente de desenvolvimento de IA com integração perfeita ao fluxo de trabalho da Atlassian.

Acreditamos que o Rovo Dev funciona melhor em cenários em que:

• Você precisa de ajuda com tarefas de codificação, como escrever um novo código, depurar um código existente ou entender bases de código complexas.
• Você quer feedback automatizado de revisão de código sobre pull requests para detectar possíveis problemas e melhorar a qualidade do código.
• Você precisa de ajuda com tarefas comuns de desenvolvimento, como refatoramento, teste ou documentação
• Você quer resolver tickets do Jira com mais eficiência automatizando as alterações de código nos repositórios vinculados.
• A equipe de desenvolvimento quer manter padrões de codificação e práticas recomendadas consistentes.

É importante lembrar que, devido à forma como funcionam os modelos usados para alimentar o Rovo Dev, estes modelos, às vezes, podem ser imprecisos, incompletos ou não confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que o Rovo Dev é menos útil em cenários em que:

• São necessárias informações atuais e precisas sobre pessoas, lugares e fatos que não estejam contidas na base de código, contexto de desenvolvimento ou conteúdo acessível da Atlassian, como páginas do Confluence ou itens do Jira.
• Você precisa que o Rovo Dev tenha acesso a informações que não estão disponíveis de imediato no repositório, ambiente de desenvolvimento ou ferramentas vinculadas da Atlassian.
• Você precisa de alta precisão para códigos críticos ou sensíveis à segurança sem revisão humana, porque o Rovo Dev não deve ser usado nesses cenários.
• Você está trabalhando com padrões de código proprietários ou de alta confidencialidade que não faziam parte dos dados de treinamento do modelo. Talvez você ache que o Rovo Dev não é tão útil ao trabalhar com tecnologias muito novas que não foram incluídas nos dados de treinamento do modelo, porque o Rovo Dev pode não ter contexto suficiente sobre essas tecnologias para oferecer resultados úteis.
• O Rovo Dev não deve ser usado como único método para análises de segurança, verificações de conformidade ou em cenários em que a exatidão do código é essencial para os requisitos regulatórios ou de segurança sem a supervisão humana adequada.

• Por isso, a gente sugere que você pense sobre as situações em que usa o Rovo Dev e analise a qualidade das respostas recebidas antes de implementar as alterações sugeridas ou compartilhar os resultados com outras pessoas.

Também considere:

• Ser o mais específico possível no que você pede que o Rovo Dev faça, incluindo proporcionar um contexto claro sobre sua base de código e requisitos.
• Revisar e testar todas as alterações de código sugeridas pelo Rovo Dev antes de confirmar em seu repositório.
• Garantir que seu ambiente de desenvolvimento tenha permissões e controles de acesso apropriados configurados.
• Manter a documentação do repositório e os comentários de código atualizados para oferecer um contexto melhor para a assistência da IA.
• Usar o Rovo Dev como uma ferramenta colaborativa junto com a revisão humana do código, em vez de um substituto para ele.

A gente entende que você pode ter dúvidas sobre como o Rovo Dev usa seus dados. Esta seção complementa as informações disponíveis na página Rovo Dev.

O que é processado:

• Seus prompts (entradas) e respostas (saídas) ao interagir com o Rovo Dev
• Contexto do seu ambiente de desenvolvimento relevante para seu prompt, como arquivos de código e pull request no Bitbucket, tickets do Jira, conteúdo de aplicativos de terceiros conectados, como Github ou servidores MCP conectados, ou arquivos locais no seu dispositivo (se estiver usando o RovoDev CLI)
• Dados sobre como você interage com nossas funções, como padrões de uso de comandos e as ferramentas de desenvolvimento com as quais você trabalha
• Feedback que você opta por dar sobre a função, incluindo prompts ou respostas que escolha compartilhar como parte do feedback

Quando se trata de dados, o Rovo Dev aplica as seguintes medidas:

Seus prompts (entrada) e respostas (saída):

• Não estão disponíveis para outros clientes.
• Não são enviados para nenhum provedor de LLM externo que não seja OpenAI, Google Vertex AI e Anthropic no AWS Bedrock
• Não são armazenados pela OpenAI, pelo Google Vertex AI ou Anthropic no AWS Bedrock
• Não são usados para melhorar os modelos OpenAI ou Anthropic

Processamento de terceiros:

• OpenAI, Google Vertex AI e Amazon Web Services (AWS Bedrock) são subprocessadores em nossa lista de subprocessadores. Eles usam os dados de entrada e de saída apenas para processar a solicitação.

Permissões e acesso:

• O Rovo Dev segue as permissões em seu ambiente de desenvolvimento e ferramentas conectadas da Atlassian. Por exemplo, se você não tiver acesso a determinados repositórios ou projetos Jira, o Rovo Dev não vai acessar o conteúdo dessas fontes ao gerar respostas.
• Se você não quer que seu código ou conteúdo seja disponibilizado nas respostas para outros usuários na organização, trabalhe com o administrador da organização para garantir que as permissões e controles de acesso tenham a definição adequada.
• No Rovo Dev CLI, os usuários podem adicionar servidores Model Context Protocol (MCP) de terceiros para oferecer ao Rovo Dev acesso a conteúdo de terceiros. A integração com qualquer servidor MCP de terceiros requer a aprovação do seu usuário e você deve garantir o cumprimento de todos os termos de uso de terceiros. Os usuários podem inserir prompts para enviar dados para fora do seu site da Atlassian, e os dados enviados para fora do seu site não vão estar sujeitos aos termos da Atlassian.

Saiba mais sobre como usar o Rovo Dev

Grupo comunitário Rovo Dev

O resumo de páginas e blogs usando o AI é alimentado por grandes modelos de linguagem desenvolvidos pela OpenAI e pelo Google. Esses modelos incluem a série de modelos GPT da OpenAI e a série Gemini do Google.

O Rovo usa esses modelos para analisar e gerar linguagem natural para os produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. O que quer dizer que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, com base nos dados nos quais eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e do Google.

Economize tempo e obtenha os detalhes necessários para fazer seu trabalho com mais rapidez ao gerar um resumo rápido de uma página ou blog do Confluence com o AI. Saiba mais sobre como usar o AI no Confluence.

A gente acredita que resumir páginas e blogs usando o Rovo funciona melhor em cenários em que:

• Há uma página de texto que leva 5 minutos ou mais para ser lida.
• Há muito conteúdo escrito, com recursos visuais limitados e/ou outras formatações, como expansões em uma página.

É importante lembrar que, devido à forma como os modelos usados para resumir páginas e blogs usando o AI funcionam, esses modelos, às vezes, podem ser imprecisos, incompletos ou não confiáveis.

Por exemplo, as respostas recebidas podem não refletir com precisão o conteúdo em que se baseiam ou podem incluir conteúdo que pareça razoável, mas é falso ou incompleto.

Embora continuemos criando suporte para macros, tabelas e expandindo resumos, resumir páginas e blogs usando o Rovo é menos útil em cenários em que:

• Você necessita de informações atuais e precisas sobre pessoas, lugares e fatos.
• Você precisa de um resumo de uma página muito curta do Confluence em que não há conteúdo suficiente.
• Você precisa de um resumo de uma página do Confluence em que a maior parte do conteúdo está em tabelas ou se expande.
• Você precisa de um resumo de uma página do Confluence com a maior parte do conteúdo em macros.

A gente sugere que você pense sobre as situações em que usa o Rovo e analise a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

Também considere:

• Pedir ao Rovo que resuma páginas que você sabe que estão repletas de conteúdo em texto.

Você deve ter dúvidas sobre como seus dados vão ser usados pelo AI na automação do Confluence. Esta seção complementa as informações disponíveis na página de perguntas frequentes.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• O contexto de sua instância é relevante para sua solicitação, assim como o conteúdo da página do Confluence que você deseja resumir.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Em relação aos seus dados, resumir páginas e blogs usando o Rovo aplica as seguintes medidas:

• As solicitações (dados de entrada) e respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja a OpenAI ou Google.
  • Não são armazenados por nenhum fornecedor de LLM.
  • Não são usados para melhorar modelos LLM.
• Todos os provedores de LLM externos são subprocessadores e estão listados como tal em nossa página correspondente. Eles usam os dados de entrada e de saída apenas para processar a solicitação.
• Essa função segue as permissões na instância. Por exemplo, se você não tiver acesso a uma página do Confluence, essa função não vai ser exibida nem vai conseguir resumir uma página usando o Rovo. Se você não quiser que o conteúdo seja disponibilizado para outros usuários na instância, trabalhe com o administrador da organização para garantir a definição adequada das permissões.

A definição de termos usando o Rovo no Confluence e no Jira é baseada em modelos grandes de linguagem desenvolvidos pela OpenAI, Google e Anthropic e uma combinação de modelos grandes de linguagem open-source (incluindo as séries Llama e Mixtral) e outros modelos de aprendizado de máquina. Esses modelos incluem a série de modelos GPT da OpenAI, a série de modelos Gemini do Google e a série de modelos Claude da Anthropic.

O Rovo usa esses modelos para analisar e gerar respostas em linguagem natural no Confluence e no Jira.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. O que quer dizer que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, com base nos dados nos quais eles foram treinados.

Leia mais sobre os recursos dos modelos da OpenAI, do Google e da Anthropic. Para saber mais sobre modelos de linguagem open source, consulte as informações sobre a série Llama.

Uma das coisas mais desafiadoras sobre o consumo de conteúdo no Confluence e no Jira é obter o contexto necessário para entender o que você está lendo. Abreviações, acrônimos, termos desconhecidos e nomes específicos de equipes ou projetos podem levar a uma longa busca pelas informações de que você precisa.

A definição de termos usando o Rovo vai oferecer o significado de termos empresariais (como acrônimos, nomes de projetos, sistemas ou equipes) em uma página no Confluence ou na descrição de um ticket no Jira. Assim, os usuários acessam as informações de que precisam, quando precisam, o que ajuda as equipes a trabalharem melhor juntas.

O Rovo poupa tempo ao definir essas coisas para você, sem se afastar do que você está lendo.

Se você encontrar uma definição que considere imprecisa, pode editar ou adicionar uma nova e, em seguida, definir a visibilidade para essa página ou ticket, para todo o espaço ou projeto ou acessar toda a organização.

A definição de termos usando o Rovo no Confluence e no Jira funciona melhor nestes cenários:

• Uma empresa tem várias páginas na instância do Confluence que mencionam, descrevem ou explicam a qual termo específico o Rovo deve fazer referência.

É importante lembrar que, devido à forma como funcionam os modelos usados para definir termos usando o Rovo no Confluence, esses modelos às vezes podem se comportar de maneiras imprecisas, incompletas ou não confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que definir termos usando o AI no Confluence é menos útil em cenários em que:

• Você necessita de informações atuais e precisas sobre pessoas, lugares e fatos.
• Você não tem um contexto amplo sobre o termo dentro dessa instância do Confluence (por exemplo, se não houver páginas que mencionem o termo específico, a definição desse termo não vai ser gerada com precisão).
• A definição requer acesso ao conteúdo do Confluence que você não tem permissão para visualizar
• Você tenta definir vários termos em vez de um termo individual por vez.

Além disso, no Jira, também descobrimos que, como a definição de termos usando o Rovo depende da pesquisa no Confluence, a função só vai funcionar no Jira se você tiver permissão para visualizar uma instância do Confluence no mesmo site da sua instância do Jira.

Também é possível que você descubra que definir termos usando o Rovo não funciona conforme o esperado em espaços do Confluence ou instâncias do Jira que têm conteúdo escrito em vários idiomas.

Você deve ter dúvidas sobre como seus dados vão ser usados para definir termos com o Rovo. Esta seção complementa as informações disponíveis na página de perguntas frequentes.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• O contexto da instância relevante para o prompt, como o termo que você quer definir.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Em relação aos dados, o Rovo aplica as seguintes medidas para definir termos:

• As solicitações (dados de entrada) e respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM externo que não seja a OpenAI, o Google ou a Anthropic no AWS Bedrock
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar modelos LLM.
  • Todos os provedores de LLM externos são subprocessadores e estão listados como tal em nossa página correspondente. Eles não usam os dados de entrada e de saída para nenhuma finalidade além de processar a solicitação.
• Essa função segue as permissões de acesso do usuário, portanto, não vai ser mostrada aos usuários uma definição do conteúdo ao qual eles não têm acesso. Em vez disso, a função extrai conteúdo e definições apenas das páginas e projetos que o usuário tem permissão para visualizar na instância. Se você não quiser que o conteúdo seja disponibilizado nas respostas de outros usuários na instância, trabalhe com o administrador da organização para garantir que as permissões tenham uma definição adequada.
• Se um usuário edita ou atualiza uma definição manualmente, ela é armazenada e retida por um ano.

As experiências de edição do AI são alimentadas por grandes modelos de linguagem desenvolvidos pela OpenAI e pelo Google. Esses modelos incluem a série de modelos GPT da OpenAI e a série Gemini do Google.

O Rovo usa esses modelos para analisar e gerar linguagem natural para os produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. O que quer dizer que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, com base nos dados nos quais eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e do Google.

O Rovo ajuda a impulsionar a comunicação eficaz entre todas as equipes de uma organização para melhorar a eficiência, a tomada de decisões e os processos.

A gente acredita que usar o Rovo nas experiências de edição funciona melhor em cenários como:

• Adaptar o conteúdo para diferentes públicos. O Rovo ajuda a mudar o tom, melhorar a redação e tornar as informações técnicas mais fáceis para outras equipes entenderem. Essa opção funciona melhor para equipes que querem redigir textos mais profissionais e concisos.
• Resumir o conteúdo. Com o Rovo, você pode transformar notas de rascunho em documentação de estratégia útil, artigos da base de conhecimento, planos de campanha e muito mais. Ele também pode ser usado para analisar as informações e definir planos de ação e itens. Essa opção funciona melhor para páginas com muito texto, nas quais há muito contexto para extrair.
• Gerar conteúdo novo. O Rovo ajuda você a redigir conteúdo novo, como páginas de estratégia, visões gerais do projeto, notas da versão ou histórias de usuários. Essa opção funciona melhor quando as equipes usam prompts claros e específicos, com um objetivo específico em mente.

É importante lembrar que, devido à forma como funcionam os modelos usados para impulsionar o AI em experiências de edição, às vezes eles podem se comportar de maneiras imprecisas, incompletas ou não confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas que seja falso ou incompleto.

A gente descobriu que usar o Rovo em experiências de edição é menos útil em cenários em que:

• Você precisa de informações atuais, precisas e atualizadas sobre pessoas, lugares e fatos.
• Você precisa ter acesso a informações que não estão disponíveis para você (por exemplo, na instância) para dar uma resposta adequada à solicitação.
• Você precisa gerar conteúdo em um formato além da marcação padrão (por exemplo, gerar um painel de informações do zero).
• Você precisa referenciar informações que ainda não estão presentes no documento que está sendo editado (por exemplo, conteúdo presente em outro documento ou em outro produto).
• É preciso criar e transformar conteúdo em outros idiomas além do inglês.

Por isso, a gente sugere que você pense sobre as situações em que usa o Rovo e analise a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

Também considere:

• Ser o mais específico possível sobre o que você pede para o Rovo fazer.
• Dividir solicitações complexas em tarefas menores e gerenciáveis.
• Incorporar palavras-chave relevantes para melhorar a precisão do conteúdo criado.
• Usar gramática e pontuação adequadas no texto de entrada.
• Corrigir, revisar e editar a saída gerada pelo assistente de redação do AI para obter precisão e clareza.
• Testar solicitações diferentes ou variações do texto de entrada para descobrir novas ideias.
• Colaborar com outras pessoas para obter feedback e melhorar a qualidade da produção.

Você deve ter dúvidas sobre como seus dados vão ser usados pelo AI em experiências de edição. Esta seção complementa as informações disponíveis na página de perguntas frequentes.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• O contexto da instância relevante para o prompt, como o produto do qual você acionou o Rovo.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Em relação aos seus dados, o Rovo aplica as seguintes medidas em experiências de edição:

• As solicitações (dados de entrada) e respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja a OpenAI ou Google.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar modelos LLM.
• Todos os provedores de LLM externos são subprocessadores e estão listados como tal em nossa página correspondente. Eles usam os dados de entrada e de saída apenas para processar a solicitação.
• Essa função segue as permissões na instância. Por exemplo, se você não tiver acesso a uma determinada página do Confluence, o conteúdo dessa página não vai ser sugerido para você na resposta recebida. Se você não quiser que o conteúdo esteja disponível nas respostas de outros usuários na instância, trabalhe com o administrador da organização para garantir que as permissões tenham uma definição adequada.

O reformatador de tickets é alimentado por grandes modelos de linguagem desenvolvidos pela OpenAI, incluindo a série de modelos GPT da OpenAI.

O Rovo usa esse modelo para analisar e gerar linguagem natural no Jira.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre os recursos dos modelos da OpenAI.

O reformatador de tickets ajuda a melhorar a clareza das descrições dos tickets do Jira ao fazer a reformatação usando um template desenvolvido pela Atlassian. Esse template aborda os tipos de informações que a gente espera encontrar na descrição de um ticket do Jira, como uma história do usuário, contexto do trabalho e critérios de aceitação.

A gente acredita que o reformatador de tickets funciona melhor em cenários em que as descrições de tickets já contêm informações úteis (como critérios de aceitação ou links para fontes), mas essas informações não são formatadas usando uma estrutura clara ou consistente.

É importante lembrar que, devido à forma como funcionam, os modelos usados para alimentar o reformatador de tickets podem, às vezes, ser imprecisos, incompletos ou não confiáveis.

Por exemplo, a descrição reformatada pode não refletir com precisão o conteúdo em que foi baseada ou pode incluir informações que parecem razoáveis, mas são falsos ou incompletos.

A gente descobriu que o reformatador de tickets é menos útil em cenários em que:

• Você necessita de informações atuais e precisas sobre pessoas, lugares e fatos.
• As descrições de tickets não incluem muitas informações porque há uma chance maior de que os modelos que alimentam o reformatador de tickets adicionem informações que não estavam incluídas na descrição original.

Por isso, a gente sugere que você pense sobre as situações em que usa o Rovo e analise a qualidade das respostas recebidas antes de compartilhar com outras pessoas. Você também pode analisar e confirmar se as descrições dos tickets incluem todas as informações relevantes antes de começar a usar o reformatador de tickets para fazer a reformatação.

A gente entende que você pode ter dúvidas sobre como o reformatador de tickets usa os dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• Contexto da instância relevante para o prompt, como a descrição e o resumo do ticket do Jira.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Quando se trata de dados, o reformatador de tickets aplica as seguintes medidas:

• As solicitações (dados de entrada) e respostas (dados de saída):
  • Não estão disponíveis para outros clientes
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja a OpenAI
  • Não são armazenadas pela OpenAI.
• A OpenAI é um subprocessador da nossa Lista de Subprocessadores. Os subprocessadores não usam os dados de entrada e de saída para nenhuma finalidade além de processar a solicitação.
• Essa função usa apenas as informações disponíveis no ticket do Jira e é invocada a partir desse ticket. Portanto, ela só pode ser invocada por um usuário que tenha permissão para visualizar o ticket e que não vá acessar nenhuma outra informação.

Saiba mais sobre como usar o Rovo

Resuma as informações do ticket usando o AI, baseado em grandes modelos de linguagem desenvolvidos pela OpenAI e pelo Google. Esses modelos incluem a série de modelos GPT da OpenAI e a série Gemini do Google.

O Rovo usa esses modelos para analisar e gerar linguagem natural para os produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. O que quer dizer que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, com base nos dados nos quais eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e do Google.

Em vez de ler descrições longas e vários comentários sobre um ticket do Jira Service Management, use o Rovo para resumir essas informações para você. Assim, os agentes conseguem entender com rapidez o contexto do ticket e o progresso feito, permitindo que eles executem ações rápidas e ofereçam assistência no momento certo.

A gente acredita que resumir as informações do ticket usando o Rovo funciona melhor para:

• tickets com descrição e comentários em inglês;
• tickets com muitos comentários e/ou comentários e descrições longas.

É importante lembrar que, por causa da forma como os modelos usados para resumir as informações do ticket com IA funcionam, eles podem, às vezes, gerar resultados imprecisos, incompletos ou pouco confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que resumir as informações do ticket usando o Rovo é menos útil em cenários em que:

• você está usando um idioma diferente do inglês,
• o ticket não tem histórico nem informações

Por isso, a gente sugere que você pense sobre as situações em que usa o Rovo e analise a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

Você deve ter dúvidas sobre como seus dados vão ser usados no resumo das informações do ticket usando IA. Esta seção complementa as informações disponíveis na página de perguntas frequentes.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• O contexto da sua instância relevante para sua solicitação inclui informações sobre o Jira Service. Ticket de gerenciamento, como a descrição do ticket, comentários e usuários envolvidos.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Em relação aos seus dados, o resumo de informações de tickets com o Rovo aplica as seguintes medidas:

• As solicitações (dados de entrada) e respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM externo que não seja a OpenAI, o Google ou a Anthropic no AWS Bedrock.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar modelos LLM.
• Todos os provedores de LLM externos são subprocessadores e estão listados como tal na página correspondente da Atlassian. Eles não usam os dados de entrada e de saída para nenhuma finalidade além de processar a solicitação.
• Essa função segue as permissões na instância. Apenas agentes e administradores do projeto podem visualizar o botão Resumir.

Resuma links inteligentes do Atlassian Intelligence (AI) usando a tecnologia de modelos grandes de linguagem desenvolvidos pela OpenAI, Google e Anthropic, bem como por uma combinação de modelos grandes de linguagem open-source (incluindo as séries Llama, Phi e Mixtral) e outros Modelos de aprendizado de máquina. Esses modelos incluem a série de modelos GPT da OpenAI, a série de modelos Gemini do Google e a série de modelos Claude da Anthropic.

O Atlassian Intelligence usa esses modelos para analisar e gerar linguagem natural para os produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. O que quer dizer que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, com base nos dados nos quais eles foram treinados.

Leia mais sobre os recursos dos modelos da OpenAI, do Google e da Anthropic. Para obter mais informações sobre modelos de linguagem open source, consulte as informações sobre as séries de modelos Llama e Phi.

Depois que você passa o cursor do mouse sobre um link inteligente do Jira, Confluence e Documentos Google, o Atlassian Intelligence ajuda a resumir o conteúdo. Isso permite que você determine a importância e o valor do link para decidir sua próxima ação. Assim, você não precisa sair da página atual e trocar de contexto.

Acreditamos que o recurso Resumir links inteligentes com IA funciona melhor nos cenários em que:

• Você visualiza uma página ou ticket com um ou mais links inteligentes.
• Você visualiza uma página ou ticket com um ou mais links inteligentes contendo muitas informações ou conteúdo denso, que exigem tempo para a leitura e desviam a atenção da página.

Vale lembrar que os modelos às vezes podem ter um comportamento impreciso, incompleto ou não confiável devido à maneira como eles costumavam alimentar o recurso Resumir links inteligentes com IA.

Por exemplo, os resumos que você recebe podem não refletir com precisão o conteúdo em que eles se baseiam ou incluir conteúdo que parece razoável, mas é falso ou incompleto.

Descobrimos que o recurso Resumir links inteligentes com IA é menos útil nos cenários em que:

• Você necessita de informações atuais e precisas sobre pessoas, lugares e fatos.
• Você precisa resumir um conteúdo muito curto.
• Você precisa resumir todos os metadados e o conteúdo de um link. Por exemplo, quando você quer entender todos os valores de campo de um ticket do Jira, além do conteúdo do comentário e descrição.

Por isso, a gente sugere que você pense sobre as situações em que usa o Atlassian Intelligence e analise a qualidade das respostas recebidas antes de compartilhar as saídas com outras pessoas.

Você deve ter dúvidas sobre como seus dados vão ser usados no resumo das informações do ticket com o Atlassian Intelligence. Esta seção complementa as informações disponíveis na página de perguntas frequentes.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• O contexto da sua instância é relevante para o prompt, assim como o conteúdo do link que você quer resumir.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• O feedback que você fornece sobre a função, incluindo as respostas compartilhadas como parte disso.

Quando se trata dos seus dados, o recurso Resumir links inteligentes com IA aplica as seguintes medidas.

• Seus resumos:
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM externo que não seja a OpenAI, o Google ou a Anthropic no AWS Bedrock.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar modelos LLM.
• Todos os provedores de LLM externos são subprocessadores e estão listados como tal na página correspondente da Atlassian. Eles não usam os dados de entrada e de saída para nenhuma finalidade além de processar a solicitação.
• Essa função segue as permissões na instância. Por exemplo, se você não tiver acesso a uma página ou ticket no Jira, Confluence ou Google, não vai ser possível resumir o conteúdo dessas fontes. Se você não quer que seu conteúdo seja disponibilizado nas respostas para outros usuários na instância, trabalhe com o administrador da organização para garantir que as permissões tenham uma definição adequada.

Os resumos do AI no Jira usam a tecnologia dos modelos grandes de linguagem desenvolvida pela OpenAI. Esses modelos incluem os da OpenAI descritos aqui.

O Atlassian Intelligence usa esses modelos para analisar e gerar linguagem natural para os produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Como consequência, as respostas são geradas pela previsão da próxima palavra ou texto mais provável, com base nos dados nos quais eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI ou sobre essa abordagem nos artigos de pesquisa da OpenAI.

Em vez de ler descrições longas e vários comentários sobre um ticket do Jira, use o Atlassian Intelligence para resumir essas informações para você. Assim, os agentes conseguem entender com rapidez o contexto do ticket e o progresso feito, permitindo que eles executem ações rápidas e ofereçam assistência no momento certo.

A gente acredita que resumir as informações do ticket usando o Atlassian Intelligence funciona melhor para tickets com um grande número de comentários e/ou longos comentários e descrições.

É importante lembrar que, devido à forma como funcionam, os modelos usados como tecnologia para os resumos de IA no Jira às vezes podem se comportar de maneiras imprecisas, incompletas ou não confiáveis.

Por exemplo, as respostas recebidas podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que parece razoável, mas é falso ou incompleto.

A gente acredita que resumir as informações do ticket usando o Atlassian Intelligence é menos útil em cenários quando:

• o ticket não tem histórico nem informações
• o ticket tem mais de 100 comentários (apenas os últimos 100 comentários vão ser resumidos)

Por isso, a gente sugere que você avalie as situações em que usa o Atlassian Intelligence e analise a qualidade das respostas recebidas antes de compartilhar com outras pessoas.

Você deve ter dúvidas sobre como seus dados vão ser usados no resumo das informações do ticket com o Atlassian Intelligence. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• O contexto da sua instância relevante para o prompt, incluindo informações sobre o ticket do Jira, como a descrição, os comentários e os usuários envolvidos no ticket.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Em relação aos dados, o resumo das informações do ticket usando o Atlassian Intelligence aplica as seguintes medidas:

• As solicitações (dados de entrada) e respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja a OpenAI.
  • Não são armazenadas pela OpenAI.
  • Não são usadas para melhorar os modelos da OpenAI.
  • A OpenAI é um subprocessador da Lista de subprocessadores da Atlassian. Eles não usam as entradas e as saídas para nenhuma finalidade além de processar a solicitação.
• Essa função segue as permissões na instância. Essa função usa apenas as informações disponíveis no ticket do Jira e é invocada a partir desse ticket. Portanto, ela só pode ser invocada por um usuário que tenha permissão para visualizar o ticket e que não vá acessar nenhuma outra informação.

A análise do trabalho de IA usa a tecnologia dos modelos grandes de linguagem desenvolvida pela OpenAI.

O Atlassian Intelligence usa esses modelos para analisar e gerar linguagem natural para os produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. O que quer dizer que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, com base nos dados nos quais eles foram treinados.

Leia sobre as capacidades dos modelos da OpenAI ou sobre essa abordagem nos artigos de pesquisa da OpenAI.

A análise do trabalho de inteligência artificial sugere tickets filho com base em um ticket do Jira que você criou, facilitando a divisão de trabalhos grandes em pequenos. O ticket é usado como contexto para gerar sugestões para resumos e descrições de tickets filho.

A gente acredita que a análise do trabalho de IA funciona melhor em cenários onde:

• Você começa com um ticket que tem um resumo e uma descrição com informações, incluindo quaisquer restrições, instruções e critérios de conclusão.
• O ticket inicial não tem tickets filho existentes.

É importante lembrar que, devido à forma como funcionam, os modelos usados como tecnologia para análise do trabalho de IA às vezes podem se comportar de maneiras imprecisas, incompletas ou não confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que a análise do trabalho de IA é menos útil em cenários onde:

• Você precisa de informações atuais e precisas sobre pessoas, lugares e fatos.
• Você não começa com um resumo e uma descrição com informações do ticket (por exemplo, se você tentar gerar sugestões de tickets filho com base em um ticket com uma descrição muito curta e ampla).

Por isso, a gente sugere que você pense sobre as situações em que usa o Atlassian Intelligence e analise a qualidade das respostas recebidas antes de compartilhar as saídas com outras pessoas.

Também considere:

• Ser o mais específico possível sobre o que você pedir para o Atlassian Intelligence fazer.
• Inserir o máximo de informações possível no resumo e na descrição do ticket filho.

A gente entende que você pode ter dúvidas sobre como a análise do trabalho de IA usa seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• Contexto da sua instância relevante para o prompt, incluindo dados do ticket (como resumo, descrição e comentários).
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Quando se trata de seus dados, a análise do trabalho de IA aplica as seguintes medidas.

• As solicitações (dados de entrada) e respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • não são enviadas para nenhum provedor de LLM terceirizado que não seja a OpenAI.
  • Não são armazenadas pela OpenAI.
  • Não são usadas para melhorar os modelos da OpenAI.
• O OpenAI é um subprocessador na lista de subprocessadores da Atlassian. Eles usam os dados de entrada e de saída apenas para processar a solicitação.
• Essa função segue as permissões em sua instância (por exemplo, você deve ter acesso ao ticket para gerar sugestões de tickets filho). Se você não quiser que seu conteúdo esteja disponível nas respostas geradas por outros usuários, fale com o administrador da sua organização para garantir a definição adequada das permissões.

Descubra mais sobre como usar o Atlassian Intelligence

O agente de reuniões conta com a tecnologia dos grandes modelos de linguagem desenvolvidos pela OpenAI e Google, além de uma combinação de outros modelos de aprendizado de máquina. Esses modelos incluem a série de modelos GPT da OpenAI e a série Gemini do Google.

O agente de reuniões usa esses modelos para analisar e gerar linguagem natural nos produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e do Google.

O agente de reuniões está disponível para usuários em organizações que usam o Teamwork Collection, que inclui os aplicativos Jira, Confluence e Loom.

O agente de reuniões está disponível no aplicativo Loom para desktop e foi desenvolvido para ajudar os usuários a aprimorar suas experiências em reuniões, permitindo que eles fiquem a par do que foi discutido, registrem itens de ação e se preparem para a próxima reunião.

Acreditamos que o agente de reuniões funciona melhor em cenários em que:

• Você quer fazer perguntas e receber informações sobre a reunião atual ou as demais nesta série.
• Você quer uma maneira fácil de fazer perguntas sobre a base de conhecimento da sua empresa.

É importante lembrar que, devido à forma como funcionam os modelos que o agente de reuniões usa, às vezes eles podem ser imprecisos, incompletos ou não confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

Descobrimos que o agente de reuniões é menos útil em cenários em que:

• Você precisa que o agente de reuniões acesse informações sobre uma reunião fora da sessão atual ou da série.
• Você precisa que o agente de reuniões acesse informações sobre uma reunião em que a transcrição não está disponível.
• Você precisa de informações atuais e precisas sobre pessoas, lugares e fatos.
• Você precisa que o agente de reuniões tenha acesso a informações que não estão disponíveis de imediato (na sua instância, por exemplo) para encontrar uma resposta adequada para a solicitação.

Por isso, sugerimos que você considere as situações em que usa o agente de reuniões e analise a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

Também considere:

• Usar o máximo de detalhes possível nas solicitações que você faz ao agente de reuniões.
• Solicitar que o agente de reuniões "pesquise na web" quando você quiser que ele tenha acesso a uma gama maior de informações para responder às suas consultas. Por exemplo, se você quiser saber "como está o mercado total endereçável para softwares de videoconferência?", o desempenho do agente de reuniões vai ser melhor se você adicionar resultados de pesquisa da web à sua consulta.
• Usar o agente de reuniões com foco no acesso a informações e contexto relevantes para os registros de reunião e outros artefatos. Para contexto organizacional que pode estar disponível de imediato fora dos artefatos da sua reunião, recomendamos usar o Rovo. Por exemplo, o Rovo pode ser mais adequado para responder com rapidez a perguntas como "Quem é o diretor de produtos?" ou "Qual é o próximo feriado corporativo nos EUA?". Você pode usar o agente de reuniões para acessar com rapidez o contexto organizacional relacionado a fontes fora dos artefatos das suas reuniões. Nesses casos, recomendamos usar o Rovo.

Entendemos que você pode ter perguntas sobre como o agente de reuniões usa seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• Transcrições de vídeo (mas não os vídeos em si)
• O contexto da instância relevante para o prompt. Por exemplo, se você inserir "Quais são os benefícios da nossa empresa para 2026?", podemos enviar uma página do Confluence à qual você tem acesso e que inclui as informações sobre os benefícios.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Quando se trata de dados, o agente de reuniões aplica as seguintes medidas.

• As solicitações (dados de entrada) e respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja a OpenAI ou Google.
  • Não são armazenadas pela OpenAI ou pelo Google.
  • Não são usadas para aprimorar nenhum modelo da OpenAI ou do Google.
• O histórico de conversas do agente de reuniões permite acessar reuniões dos últimos 30 dias.
• A OpenAI e o Google são subprocessadores da Lista de subprocessadores da Atlassian. Eles usam os dados de entrada e de saída apenas para processar a solicitação.
• Essa função segue as permissões na instância. Por exemplo, se você não tiver acesso a um documento de política confidencial (página do Confluence) de uma equipe da qual você não faz parte, o conteúdo dessa página não vai ser sugerido para você na resposta recebida. Se você não quer que seu conteúdo seja disponibilizado nas respostas para outros usuários na instância, trabalhe com o administrador da organização para garantir que as permissões tenham uma definição adequada.

Leia mais sobre o agente de reuniões

Os agentes no Jira são alimentados por grandes modelos de linguagem desenvolvidos pela OpenAI e pelo Google. Esses modelos incluem a série de modelos GPT da OpenAI e a série Gemini do Google.

Os agentes no Jira usam esses modelos para analisar e gerar respostas em linguagem natural e código dentro do Jira.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e do Google.

Os agentes no Jira permitem que você atribua agentes criados no Estúdio dos agentes ou de terceiros, como o GitHub Copilot e tickets no Jira. Quando você adiciona um agente a um ticket, você estabelece uma interação bidirecional com ele. Você pode atribuir o agente a um ticket ou acionar o agente conforme o ticket avança pelo seu fluxo de trabalho.

Os agentes ajudam com primeiros rascunhos, resumos rápidos e tarefas específicas para que você possa manter os tickets em andamento onde eles são monitorados. Agentes de codificação mais potentes, como o Rovo Dev e o GitHub Copilot, também permitem que você gere código.

Depois de receber uma tarefa e começar a trabalhar, o agente fornece uma saída para você revisar na seção Agentes de um ticket. Apenas você pode visualizar, interagir e compartilhar a saída do agente.

Quando o resultado for satisfatório, você pode compartilhar a saída como um comentário no ticket para que sua equipe também possa visualizar.

Depois de adicionar um agente a um espaço, você pode colaborar de quatro maneiras:

• Adicionar um agente ao campo responsável.
• Mencionar um agente em um comentário.
• Adicionar um agente às transições do fluxo de trabalho.

• Adicionar um agente a uma coluna no quadro.

A gente acredita que os agentes no Jira funcionam melhor em cenários em que:

• Seus tickets contêm contexto suficiente, como descrições e contexto (páginas do Confluence, designs ou diretrizes), para que os agentes consigam basear as respostas no trabalho real da sua equipe em vez de em sugestões genéricas.
• Você está usando agentes especializados criados no Estúdio dos agentes ou agentes de codificação (como Rovo Dev ou GitHub Copilot) que têm as habilidades e ferramentas certas para o trabalho, em especial para a geração de código ou análise técnica.
• Você quer manter os tickets em andamento delegando tarefas bem definidas (como comentários de primeira versão, critérios de aceitação ou rascunhos de alterações de um código) para um agente, enquanto as pessoas se concentram em decisões que exigem maior discernimento e aprovações finais.
• Você quer fazer iteração com o agente, usando prompts de acompanhamento para refinar ou corrigir as saídas dele.

É importante lembrar que, devido à forma como funcionam os modelos que os agentes no Jira usam, às vezes eles podem ser imprecisos, incompletos ou não confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

Descobrimos que os agentes no Jira são menos úteis em cenários em que:

• Você precisa de informações atuais e precisas sobre pessoas, lugares e fatos.
• Você precisa de resultados muito consistentes e regulares que não estejam sujeitos a qualquer variação, pois as respostas podem variar por vários motivos, incluindo permissões de usuário.
• Não há humanos envolvidos. Os agentes funcionam melhor com um humano verificando e orientando o resultado pretendido.
• Seu ticket não tem contexto suficiente para um agente começar a trabalhar. Essa situação pode acontecer quando não há informações suficientes disponíveis no seu site do Jira ou em aplicativos e produtos conectados para entender a tarefa com confiança. Uma outra situação é quando o agente precisa acessar artefatos específicos, como designs, fragmentos de código ou requisitos, que não foram vinculados ou referenciados no ticket.
• O agente criado no Estúdio dos agentes não tem as habilidades certas para o ticket que está sendo atribuído a ele. Saiba mais sobre como adicionar habilidades e ferramentas aos agentes.

• A tarefa exige negociar e se comunicar com pessoas. Os agentes podem resumir pontos de vista e sugerir próximos passos, mas não são adequados para o alinhamento com partes interessadas ou assumir compromissos em nome de uma equipe.

Por isso, sugerimos que você considere as situações em que usa os agentes no Jira e analise a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

Também considere:

• Use o máximo de detalhes possível no ticket sobre o que você quer que o agente faça.
• Forneça contexto relevante e links que o agente pode usar (páginas, links para seu repositório, código e designs).
• Itere com prompts de acompanhamento para refinar ou corrigir a saída.

A gente percebeu que você pode ter perguntas sobre como os agentes no Jira usam seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• As solicitações (dados de entrada) e respostas (dados de saída).
• Contexto da sua instância relevante para seu prompt, como o contexto do ticket e dados no Teamwork Graph para encontrar informações adicionais que ajudariam o agente na conclusão da tarefa.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo solicitações ou respostas que decida compartilhar como parte do feedback.

Quando se trata de dados, os agentes no Jira aplicam as seguintes medidas.

• Seus prompts (entradas) e respostas (saídas) com agentes criados pela Atlassian ou do Estúdio Rovo:
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja a OpenAI ou Google.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar nenhum modelo grande de linguagem.
• Se o seu administrador optar por instalar ou habilitar um agente de terceiros por meio de um aplicativo de marketplace ou um servidor MCP de terceiros, o uso desse agente vai estar sujeito aos próprios termos, aviso de privacidade, práticas de processamento de dados e práticas de retenção de dados desse terceiro.
  • Agentes de terceiros podem usar LLMs, subprocessadores, infraestrutura, períodos de retenção e controles que diferem daqueles usados em agentes criados pela Atlassian ou pelo Estúdio dos agentes. Os clientes devem revisar os termos e a documentação aplicáveis de terceiros antes de habilitar ou usar um agente de terceiros.
• A OpenAI e Google Vertex são subprocessadores da Lista de Subprocessadores da Atlassian. Eles usam os dados de entrada e de saída apenas para processar a solicitação.
• Essa função segue as permissões na instância. Por exemplo, se você não tiver acesso a uma página do Confluence, seu agente não vai poder acessar essa página na resposta recebida. Se você não quer que seu conteúdo seja disponibilizado nas respostas para outros usuários na instância, trabalhe com o administrador da organização para garantir que as permissões tenham uma definição adequada.
• Os agentes operam em seu nome e herdam suas permissões. Eles só recuperam dados aos quais você tem acesso, e o resultado permanece privado até que você opte por compartilhar ou acione uma opção que torne visível para outras pessoas.

Colabore em tickets com agentes de IA

Recursos do Rovo

No aplicativo Jira Cloud for Slack, a capacidade de mencionar itens do Jira é impulsionada por inteligência artificial. Essa capacidade é impulsionada por grandes modelos de linguagem desenvolvidos pelo Google, em especial a série de modelos Gemini.

O aplicativo usa esses modelos para analisar e gerar respostas em linguagem natural no Slack e realizar ações em nome dos usuários no Jira.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre as capacidades dos Modelos da Google.

Mencionar o Jira no Slack permite que as equipes registrem e gerenciem tickets direto de qualquer canal do Slack. Use o @Jira para criar tickets, atualizar campos e atribuir tarefas em linguagem simples, sem sair da thread. Você também pode usar o @Jira para atribuir um ticket a um colega de equipe ou repassar para um agente. A configuração leva segundos e seu projeto e preferências ficam preservados para uso futuro.

Mencionar o Jira no Slack foi projetado para ajudar as equipes a registrar e acompanhar um ticket no momento em que ele surge na conversa. A gente acredita que mencionar o Jira no Slack funciona melhor nos seguintes cenários:

• Criação de tickets a partir de conversas do Slack. Quando surgirem bugs, decisões ou tarefas em uma thread do Slack, você pode usar o @Jira e descrever o que precisa para criar o ticket no Jira com o respectivo contexto anexado.
• Atualização de tickets já existentes. Você pode pedir ao agente para atualizar o status, a prioridade ou o responsável de um ticket já existente do Jira direto do Slack, sem precisar abrir o Jira.
• Atribuição de tickets a agentes. Você pode pedir ao Jira para atribuir tickets a agentes para iniciar a execução.
• Editação de tickets em linha. Você ou seus colegas de equipe podem editar direto nos campos usando cartão expandido para o ticket criado ou atualizado na thread do Slack.
• Configuração de padrões no nível do canal. Você pode usar o comando de barra /jira agent para definir um site padrão do Jira, projeto padrão e instruções personalizadas sobre como o agente se comporta em um canal específico do Slack.

É importante lembrar que, devido à forma como funcionam os modelos usados para alimentar o ticket do aplicativo Jira, às vezes eles podem apresentar resultados imprecisos, incompletos ou não confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que o @Jira no Slack é menos útil em cenários em que:

• Você não tem permissões suficientes no Jira, o que restringe sua capacidade de consultar ou realizar ações.
• A linguagem do thread ou canal do Slack que você está usando é vaga ou imprecisa. Quando isso acontece, é menos provável que o @Jira crie ou atualize tickets precisos.
• Você apresenta instruções vagas ou pouco claras ao @mencionar o Jira.
• Seu canal ou thread precisa de informações atuais e precisas sobre pessoas, lugares e fatos.

Por isso, a gente recomenda que você considere as situações em que usa o @Jira no Slack e analise a qualidade das respostas recebidas.

Também considere:

• Como ser o mais específico possível nos seus prompts.
• Reformulação dos prompts.
• Revisão de tickets do Jira criados ou atualizados quanto à precisão antes de fechar a thread do Slack.

A gente entende que você pode ter perguntas sobre como aplicativo Jira for Slack usa seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• Os prompts (dados de entrada) e as respostas (dados de saída).
• Contexto da instância relacionada ao seu prompt, como atualizações em tickets do Jira.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo prompts ou respostas que você decida compartilhar como parte do feedback.

Quando se trata de seus dados, o aplicativo Jira for Slack adota as seguintes medidas:

• Os prompts (dados de entrada) e as respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja Google.
  • Não são armazenados pelo Google.
  • Não são usados para melhorar modelos do Google.
• O Google Vertex é um subprocessador na lista de subprocessadores da Atlassian. Eles não usam os dados de entrada e de saída, exceto para processar a solicitação.
• Essa função segue as permissões na instância. Por exemplo, se você não tiver permissão para criar tickets, não vai poder fazer isso mencionando o Jira no Slack.

Recursos do Rovo

Artigo de suporte

Listagem do Marketplace no Slack

O Editor do Loom usa grandes modelos de linguagem de grande escala desenvolvidos pela OpenAI e pelo Google, além de uma combinação de modelos de linguagem de grande escala de código aberto (incluindo a série Llama) e outros modelos de aprendizado de máquina. Eles incluem a série de modelos GPT da OpenAI e a série Gemini do Google.

O Editor do Loom usa esses modelos para extrair e analisar o conteúdo de transcrições de vídeo e gerar linguagem natural no Loom.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

O Editor do Loom usa esses modelos para extrair contexto de transcrições de vídeo. As principais capacidades incluem a geração automática de títulos, resumos e capítulos, além da edição baseada em transcrições e da remoção automática de palavras de preenchimento e silêncios.

Leia mais sobre as capacidades dos modelos da OpenAI e do Google. Para saber mais sobre modelos de linguagem open source, consulte as informações sobre a série Llama.

O Editor do Loom inclui vários recursos alimentados por IA que foram projetados para automatizar o aprimoramento de seus vídeos do Loom. No momento, o Editor do Loom inclui as seguintes capacidades de função:

• Títulos automáticos: um título de vídeo personalizado é gerado por automação com base no contexto extraído da transcrição do vídeo.
• Resumos automáticos: um resumo é gerado por automação após a gravação e exibido na caixa de descrição abaixo do vídeo.
• Capítulos automáticos: os capítulos são gerados por automação com base nos tópicos discutidos no vídeo. O capítulo divide o vídeo em seções para que os visualizadores possam navegar com facilidade.
• Fluxos de trabalho de IA: transforme seu vídeo em documento de texto, mensagem ou relatório de bug que você pode enviar direto para o Jira.
• Tradução de legendas: automatize a tradução de legendas para vários idiomas diferentes.

A gente acredita que o Editor do Loom funciona melhor em cenários em que você quer:

• Gerar recursos de navegação rápida: divida os vídeos em seções usando os Capítulos automáticos para facilitar a navegação.
• Criação instantânea de resumos que possam ser compartilhados: automatize a geração de Títulos automáticos e Resumos automáticos personalizados logo após a gravação.
• Conecte a documentação em vídeo e em texto: converta o conteúdo de vídeo em ativos de texto, como fluxos de trabalho de IA, incluindo POPs, mensagens ou relatórios de bugs enviados para o Jira.
• Aprimore a comunicação verbal: soe mais profissional removendo palavras de preenchimento como "é" e "hum" ou cortando longos silêncios.
• Ação direta do público: automatize a geração de um botão de Chamada para ação automática com base no contexto da gravação para orientar os próximos passos.
• Tradução de legendas: automatize a tradução de legendas para vários idiomas diferentes.

É importante lembrar que, devido à forma como funcionam os modelos que o Editor do Loom usa, às vezes eles podem ser imprecisos, incompletos ou não confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou está incompleto

A gente constatou que o Editor do Loom é menos útil em cenários em que:

• Você precisa de tradução para idiomas menos comuns. Em geral, os LLMs (modelos de linguagem de grande escala) tendem a funcionar melhor em idiomas mais difundidos (e mais bem documentados).
• Você precisa de resultados muito consistentes e regulares que não estejam sujeitos a variações, pois as respostas podem variar por diversos motivos.
• Não há pessoas envolvidas. O Editor do Loom funciona melhor quando uma pessoa revisa ou orienta o resultado pretendido.
• Você precisa gerar novos elementos visuais ou imagens, pois o foco do Editor do Loom é a edição de texto e recursos básicos de corte de vídeo.

Por isso, a gente recomenda que você pense nas situações em que usa o Editor do Loom e revisa o conteúdo antes de compartilhar com outras pessoas.

A gente entende que você pode ter dúvidas sobre como o Editor do Loom usa seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• Contexto da sua instância relevante para o prompt, como o arquivo de vídeo selecionado, a transcrição, os metadados do vídeo e qualquer texto que você apresentar no vídeo ou em torno dele.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo prompts ou respostas que você decida compartilhar como parte do feedback.
• O próprio arquivo de vídeo (fluxos de áudio e vídeo).
• A transcrição gerada por automação desse vídeo (texto)
• Quaisquer metadados já existentes sobre o vídeo, incluindo:
  • Título, descrição e marcadores
  • Capítulos, seções e resumos (se já existirem)
  • Configuração da chamada para ação (por exemplo, URL de destino, texto do botão), o feedback que você optar por disponibilizar sobre esta função, incluindo quaisquer prompts ou conteúdos que você decidir compartilhar como parte desse feedback.
  • Legendas geradas a partir da transcrição
• Qualquer texto disponibilizado pelo usuário:
  • Edições no título, resumo e capítulos
  • Texto adicionado via sobreposições (anotações, setas, caixas etc.)

Quando se trata de seus dados, o Editor do Loom aplica as seguintes medidas.

• Os prompts (dados de entrada) e as respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja OpenAI ou Google
  • Não são armazenados por nenhum provedor de LLM
  • Não são usados para melhorar nenhum grande modelo de linguagem/OpenAI ou 3P aplicáveis.
• A OpenAI, o Google Vertex e o AWS Bedrock são subprocessadores que estão na Lista de subprocessadores. Eles não usam os dados de entrada e de saída, exceto para processar a solicitação.
• Essa função segue as permissões da sua instância. Por exemplo, se não tiver acesso a determinado vídeo do Loom, você não vai poder usar o Editor do Loom para editar esse conteúdo. Se você não quer que os vídeos do Loom estejam disponíveis nas respostas para outros usuários da instância, peça ao administrador da organização para garantir que as configurações das permissões estejam adequadas.

Editor de vídeo de IA: funções de edição de vídeo do Loom

O Capturas de tela do Loom usa modelos de linguagem de grande escala desenvolvidos pela OpenAI, pela Anthropic e Google, além de uma combinação de modelos de linguagem de grande escala de código aberto (incluindo a série Llama) e outros modelos de aprendizado de máquina. Esses modelos incluem a série GPT da OpenAI, a série Claude da Anthropic e Gemini do Google.

O Capturas de tela do Loom usa esses modelos para que você possa gerar títulos automáticos para as capturas de tela do Loom no aplicativo para desktop ou na extensão do Chrome.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e do Google. Para saber mais sobre modelos de linguagem open source, consulte as informações sobre a série Llama.

Com o Capturas de tela do Loom você pode capturar, fazer anotações, compartilhar e armazenar suas capturas de tela. O Capturas de tela do Loom inclui as seguintes capacidades de função

• Opções de captura: você pode capturar uma área personalizada, uma guia específica ou a tela inteira.
• Compartilhamento instantâneo: cada captura de tela gera por automação um link único e compartilhável, eliminando a necessidade de download e upload manual de arquivos.
• Ferramentas de anotação: você pode aprimorar imagens adicionando texto, formas e setas no editor do Loom para destacar elementos importantes.
• Biblioteca na nuvem: todas as capturas de tela são armazenadas por automação na sua biblioteca do Loom, onde podem ser gerenciadas com pastas e marcadores.

A gente acredita que o Capturas de tela do Loom funciona melhor em cenários em que:

• Você tem elementos na tela que quer destacar e chamar a atenção.
• Você quer um jeito fácil de compartilhar as capturas de tela sem downloads ou uploads manuais de arquivos.
• Muitas vezes, você quer gravar partes diferentes da tela, seja uma área personalizada, uma guia específica ou a tela inteira.
• Você quer um jeito fácil de gerenciar e centralizar suas capturas de tela armazenadas.
• Sua captura de tela inclui informações suficientes para geração automática de um título mais preciso.

É importante lembrar que, devido à forma como funcionam os modelos que o Capturas de tela do Loom usa, às vezes eles podem ser imprecisos, incompletos ou não confiáveis.

Por exemplo, os títulos gerados pelo Capturas de tela do Loom podem não representar com precisão o conteúdo de origem ou podem conter informações que parecem corretas, mas são falsas ou estão incompletas.

A gente constatou que o Capturas de tela do Loom é menos útil em cenários em que:

• Você precisa editar vídeos ao vivo, porque o Capturas de tela do Loom edita apenas capturas de tela estáticas.
• Você precisa mostrar ações em tempo real, como demonstrar um bug que exige cliques ou rolagem.
• UIs complexas, como muitos painéis ou fluxos com várias telas, se beneficiam mais de vídeos curtos do que de capturas de tela para preservar o contexto.
• Colaboração bem interativa, como brainstorming ao vivo e uso de quadros brancos.
• Não há pessoas envolvidas. O Capturas de tela do Loom funciona melhor com uma pessoa verificando ou orientando a saída.

Por isso, a gente recomenda que você pense nas situações em que usa o Capturas de tela do Loom e revisa o conteúdo antes de compartilhar com outras pessoas.

A gente entende que você pode ter dúvidas sobre como o Capturas de tela do Loom usa seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• Seus prompts (entradas) (p. ex.: imagem de captura de tela) e respostas (saídas) (p. ex.: geração automática de título)
• Contexto da sua instância relevante para o prompt, como capturas de tela, metadados e qualquer texto que você fornecer na captura de tela ou em torno dela.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo prompts ou respostas que você decida compartilhar como parte do feedback.

Quando se trata de dados, as Capturas de tela do Loom aplicam as seguintes medidas.

• Os prompts (dados de entrada) e as respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM externo que não seja a OpenAI, o Google ou a Anthropic no AWS Bedrock.
  • Não são armazenados por nenhum provedor de LLM
  • Não são usados para melhorar nenhum grande modelo de linguagem/OpenAI ou 3P aplicáveis.
• A OpenAI, o Google Vertex e o AWS Bedrock são subprocessadores que estão na Lista de subprocessadores. Eles não usam os dados de entrada e de saída, exceto para processar a solicitação.
• Essa função segue as permissões na instância. Por exemplo, se você não tiver acesso a um determinado vídeo do Loom, não vai poder usar as Capturas de tela do Loom para editar esse conteúdo. Se não quiser que os vídeos do Loom sejam disponibilizados nas respostas para outros usuários na instância, trabalhe com o administrador do espaço de trabalho para garantir a definição adequada das permissões.

Captura de tela grátis no navegador Chrome

O Crie com o Rovo conta com a tecnologia dos grandes modelos de linguagem desenvolvidos pela OpenAI e Anthropic, além de uma combinação de grandes modelos de linguagem open source (incluindo as séries Llama) e outros modelos de aprendizado de máquina. Esses grandes modelos de linguagem incluem a série de modelos GPT da OpenAI e a série de modelos Claude da Anthropic.

O Crie com o Rovo usa esses modelos para analisar e gerar linguagem natural e formatos de arquivo compatíveis nos nossos aplicativos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e do Google. Para saber mais sobre modelos de linguagem open source, consulte as informações sobre a série Llama.

O Crie com o Rovo permite que os usuários enviem prompts para a IA criar conteúdo (por exemplo, quadro branco, documento dinâmico, página, banco de dados, blog) com apenas um clique.

O Crie com o Rovo funciona melhor nos seguintes cenários:

• Início do zero. O Crie com o Rovo ajuda os usuários a gerar um primeiro rascunho de uma página, quadro branco, banco de dados, blog ou documento dinâmico do Confluence com base em um prompt. Isso funciona melhor quando os usuários informam uma meta clara, o público-alvo e contexto relevante que querem que seja refletido no novo conteúdo.
• Criação de conteúdo estruturado com base em ideias ou anotações. O Crie com o Rovo pode transformar rascunhos de entradas, anotações de reunião ou ideias iniciais em conteúdo mais organizado, como visões gerais de projeto, páginas de estratégia, planos de campanha, notas de versão ou histórias de usuários. Isso funciona melhor quando o usuário busca um ponto de partida útil que possa revisar e refinar.
• Geração de templates ou formatos reutilizáveis. O Crie com o Rovo pode ajudar os usuários a elaborar templates, estruturas de página ou outros pontos de partida para fluxos de trabalho comuns da equipe. Isso funciona melhor quando os usuários tratam a saída como um rascunho gerado por IA e revisam sua precisão, integridade e adequação antes de compartilhar ou usar.

É importante lembrar que, devido ao modo de funcionamento dos modelos usados no Crie com o Rovo, às vezes eles podem ser imprecisos, incompletos ou pouco confiáveis. Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que o Crie com o Rovo é menos útil em cenários em que:

• Você precisa de dados de conhecimento estruturados da base de conhecimento da sua organização. O Crie com o Rovo funciona melhor com informações e dados não estruturados em linguagem natural e pode não ser tão preciso quando recebe prompts com dados estruturados.
• Você precisa de informações atuais e precisas sobre pessoas, lugares e fatos.
• Você precisa que o Crie com o Rovo tenha acesso a informações que não estão disponíveis para você devido a problemas de permissão (por exemplo, com informações em uma base de conhecimento restrita do Confluence).
• Você comete erros de digitação ao mencionar nomes de entidades (por exemplo, nomes de equipes, nomes de pessoas) nos prompts. Isso acontece porque o Crie com o Rovo pode não conseguir localizar essas entidades na sua base de conhecimento. Por isso, os resultados podem ser incompletos ou reproduzir esses erros de digitação como se fossem reais.
• Você quer que o Crie com o Rovo reutilize um template específico anexado à caixa do prompt. O Crie com o Rovo não é determinístico. Por isso, não vai seguir à risca esse template.

Por isso, a gente sugere que você pense sobre as situações em que usa o Rovo e analise a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

Também considere:

• Ser o mais específico possível sobre o que você pede para o Rovo fazer.
• Revisar qualquer template gerado por IA antes de aplicar ao seu conteúdo. A qualidade e a integridade dos templates gerados usando o Criar com o Rovo, por você ou por outros usuários, podem variar dependendo dos prompts usados para criá-los.

A gente entende que você pode ter dúvidas sobre como o Crie com o Rovo usa seus dados. Esta seção complementa as informações disponíveis no Atlassian Trust Center.

O que é processado:

• Prompts de texto (entradas) e respostas (saídas).
• Prompts de voz enviados usando o ícone de microfone na caixa de prompt (entradas). A gente processa o áudio para gerar transcrições e usa as transcrições apenas para concluir a solicitação.
• Contexto da sua instância relevante para o prompt, incluindo fontes de terceiros conectadas à sua instância.
• Dados sobre como você interage com as funções, como dados relevantes do Teamwork Graph.
• Feedback que você opta por dar sobre a função, incluindo prompts ou respostas que você decida compartilhar como parte do feedback.

Quando se trata de dados, o Crie com o Rovo aplica as seguintes medidas:

• Os prompts (dados de entrada) e as respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM externo que não seja a OpenAI ou a Anthropic no AWS Bedrock.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar nenhum grande modelo de linguagem/OpenAI ou 3P aplicáveis.
• A OpenAI e o AWS Bedrock são, cada um, um subprocessador da lista de subprocessadores da Atlassian. Eles não usam os dados de entrada e de saída, exceto para processar a solicitação.
• Essa função segue as permissões na instância. Por exemplo, se você não tiver acesso a uma página do Confluence, o conteúdo dessa página não vai ser sugerido para você na resposta recebida. Se você não quer que seu conteúdo seja disponibilizado nas respostas para outros usuários na instância, trabalhe com o administrador da organização para garantir que as permissões tenham uma definição adequada.

Recursos do Rovo

A criação de espaços do Jira com o Rovo é impulsionada por modelos de linguagem de larga escala desenvolvidos pelo Google. Esses modelos de linguagem de larga escala incluem a série de modelos Gemini do Google.

Criar com o Rovo utiliza esses modelos para analisar e gerar linguagem natural nos produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre os recursos dos modelos da OpenAI.

Utilizar o Criar com o Rovo para a criação de espaço do Jira ajuda a equipe a começar mais rápido, transformando uma descrição em linguagem natural sobre como trabalham em um espaço do Jira pronto para uso, para que não precisem começar de um template em branco e fazer a configuração manual de tudo. Ele faz isso usando o seu prompt e qualquer contexto que você disponibilizar, como páginas do Confluence, vídeos do Loom ou arquivos carregados, para gerar um modelo de espaço do Jira. Esse modelo vai incluir um nome de projeto recomendado, chave, tipos de ticket, status, itens de navegação e sugestões de colegas de equipe.

O Crie com o Rovo funciona melhor nos seguintes cenários:

• Você tem uma ideia clara do que a equipe precisa e quer um espaço configurado conforme suas necessidades, em vez de fazer a seleção e o ajuste manual de um template genérico.
• Você quer oferecer um contexto disponível, como uma página do Confluence, vídeo do Loom ou arquivo carregado, e fazer com que a IA traduza isso em uma configuração de espaço que reflita os fluxos de trabalho reais da equipe. O melhor exemplo seria a captura de tela de um quadro disponível do Jira, Monday ou Asana.
• Você quer reduzir a carga de trabalho da configuração inicial ao criar tipos de ticket, status e itens de navegação para um novo projeto, para que sua equipe possa começar a trabalhar logo.

É importante lembrar que, devido ao modo de funcionamento dos modelos usados no Crie com o Rovo, às vezes eles podem ser imprecisos, incompletos ou pouco confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que o Crie com o Rovo é menos útil em cenários em que:

• Você não tem contexto suficiente sobre as necessidades da equipe para este espaço do Jira para incluir no seu prompt. O Criar com o Rovo funciona melhor quando você oferece informações suficientes no prompt para a IA utilizar como base para gerar sugestões.
• Você precisa de informações atuais e precisas sobre pessoas, lugares e fatos.
• Você precisa do Criar com o Rovo para ter acesso a informações que não estão disponíveis no momento, por exemplo, espaços do Jira ou páginas do Confluence para os quais não tem permissão para acessar, para gerar um modelo de espaço do Jira para você.
• Seu fluxo de trabalho é muito especializado ou de nicho. O Criar com o Rovo vai sugerir os nomes dos fluxos de trabalho, mas a função ainda não está pronta para configurar as automações complexas que vêm com os fluxos de trabalho.
  

O Criar com o Rovo não deve ser utilizado em cenários que exijam precisão garantida para configurações de projetos críticas para conformidade. Todas as sugestões devem ser revisadas antes de criar o espaço.

Por esse motivo, a gente recomenda que você revise a configuração gerada por IA antes de criar o espaço e ajuste quaisquer sugestões que não atendam às necessidades da equipe.

Também considere:

• Ser o mais específico possível no seu prompt sobre o que a equipe faz e como você gostaria que o espaço fosse configurado. Por exemplo, passar as informações exatas de quais tipos de ticket ou quais nomes de status você quer.
• Apresentar contexto relevante, como páginas do Confluence, gravações do Loom ou uploads de arquivos, para ajudar a IA a gerar recomendações mais precisas.
• Revisar e confirmar as permissões de quaisquer colegas de equipe sugeridos pela IA antes de adicionar ao espaço.

A gente entende que você pode ter dúvidas sobre como o Criar com o Rovo usa seus dados para criar espaço do Jira. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• Seus prompts (entradas) e a configuração do espaço gerada por IA (saídas).
• Contexto da sua instância relevante para o prompt, como páginas do Confluence que você vincula, vídeos do Loom que você cola, arquivos que você faz upload no chat, informações do locatário, como tipos de ticket disponíveis, nomes de status e lista de nomes de espaço.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback sobre a função, incluindo prompts ou respostas que você decida compartilhar.
  

Quando se trata de dados, o Crie com o Rovo aplica as seguintes medidas:

• Os prompts (dados de entrada) e as respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM externo que não seja a OpenAI ou a Anthropic no AWS Bedrock.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar nenhum grande modelo de linguagem/OpenAI ou 3P aplicáveis.
• Google Vertex como subprocessador da nossa Lista de subprocessadores. Ele não usa os dados de entrada e de saída, exceto para processar sua solicitação.
• Essa função segue as permissões definidas na instância. Por exemplo, se você não tiver acesso à determinada página do Confluence, o Criar com o Rovo não vai recuperar nem utilizar conteúdo dessa página ao gerar a configuração do seu espaço. Se você não quer que o conteúdo seja disponibilizado nas respostas para outros usuários da instância, peça ao administrador da organização para garantir a configuração adequada das permissões.

Recursos do Rovo

O resumo das avaliações do aplicativo de marketplace é baseado em grandes modelos de linguagem desenvolvidos pela OpenAI, além de outros modelos de aprendizado de máquina. Esses grandes modelos de linguagem incluem a série de modelos GPT da OpenAI.

O resumo das avaliações do aplicativo de marketplace usa esses modelos para analisar e gerar linguagem natural para os produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre os recursos dos modelos da OpenAI.

O resumo das avaliações do aplicativo de marketplace ajuda os usuários a entender o que clientes reais dizem sobre um aplicativo sem precisar ler todas as avaliações. Ele produz um resumo curto em linguagem simples das avaliações públicas e aprovadas na página do aplicativo no marketplace que inclui o que os clientes gostam, o que não gostam e como costumam usar o aplicativo.

O resumo das avaliações do aplicativo de marketplace funciona melhor em cenários em que:

• O aplicativo escolhido tem avaliações recentes suficientes em inglês para que temas comuns apareçam com clareza.
• Você quer uma visão geral rápida da opinião dos clientes antes de ler avaliações individuais ou testar o aplicativo.
• Você usa o resumo em conjunto com a página do aplicativo, a documentação do fornecedor e as avaliações individuais, e não por conta própria.

Vale lembrar:

• O resumo é curto, e isso é proposital. Ele destaca apenas os temas mais comuns e alguns prós e contras. Nuances individuais podem não aparecer.
• Apenas as avaliações escritas em inglês são consideradas na geração de um resumo.
• Quando muitas avaliações positivas têm pouco ou nenhum conteúdo escrito, o resumo pode destacar mais as avaliações mais longas e detalhadas. Isso pode criar uma tendência negativa, mesmo quando a classificação geral é positiva.
• Avaliações recentes e em destaque sobre um problema temporário podem afetar o resumo até que cheguem novas avaliações.
• Os resumos são armazenados em cache por 24 horas e atualizados com regularidade quando um determinado limite de novas avaliações é atingido, e não a cada nova avaliação. Por isso, é possível que as avaliações mais recentes não estejam refletidas no resumo.
• Em cenários sem avaliações suficientes para gerar um resumo confiável, o resumo não será exibido.

É importante lembrar que, devido ao modo de funcionamento dos modelos usados no resumo das avaliações do aplicativo de marketplace, eles às vezes podem produzir resultados imprecisos, incompletos ou pouco confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que o resumo de avaliações do aplicativo de marketplace é menos útil em cenários em que:

• Um aplicativo tem pouquíssimas avaliações, ou as avaliações são curtas, fora do escopo ou escritas em idiomas diferentes do inglês. Nesses casos, o resumo pode não ser representativo ou pode não ser exibido.
• Você precisa de detalhes exatos e atuais sobre as funções, a postura de segurança ou os bugs conhecidos de um aplicativo. A página, a documentação e os canais de suporte do fornecedor compõem uma fonte única de informações.
• Você está tomando uma decisão de compra, segurança ou conformidade em relação a um aplicativo. O resumo é apenas um ponto de partida, e não a base para uma decisão final.
• Você necessita de informações atuais e precisas sobre pessoas, lugares e fatos.

Também considere:

• Tratar o resumo como um ponto de partida, não como a conclusão final. Leia algumas avaliações individuais, incluindo as mais recentes e quaisquer respostas do fornecedor, e o resumo antes de tomar uma decisão.

O que é processado:

• As avaliações públicas aprovadas, o conteúdo da avaliação, o número de votos, a data de publicação e o status da avaliação na página de um aplicativo no Marketplace que usamos para gerar o resumo.
• Dados sobre como você interage com a função. Por exemplo, se um resumo é exibido ou o número de eventos analíticos que chegam à seção de avaliações da página do aplicativo.
• O feedback que você optar por fornecer sobre um resumo via tickets do ECOHELP ou pelo coletor geral de feedback.

Quando se trata de seus dados, o resumo das avaliações do aplicativo de marketplace adota as seguintes medidas:

Entradas e saídas:

• São baseadas apenas em avaliações que já são públicas e aprovadas na página no marketplace. Nenhum conteúdo privado da sua instância da Atlassian é enviado ao modelo.
• O resumo não inclui seus dados pessoais, como nome ou endereço de e-mail. Ele fornece uma visão geral do feedback do cliente sobre o aplicativo.
• Não estão disponíveis para outros clientes de nenhuma outra forma além do resumo exibido na página pública do aplicativo de marketplace.
• Não são enviadas para nenhum provedor de LLM terceirizado que não seja a OpenAI, e somente pelo gateway de IA interno da Atlassian.
• Não são armazenadas por esses provedores além do necessário para atender à solicitação.
• Não são usadas para melhorar nenhum grande modelo de linguagem de terceiros.
• Se você preferir que sua avaliação do aplicativo não seja usada para gerar o resumo com o LLM mencionado, recomendamos não publicar a avaliação.

A OpenAI é um subprocessador da nossa Lista de subprocessadores. Os subprocessadores não usam os dados de entrada e de saída para nenhuma finalidade além de processar a solicitação.

Armazenamos os resumos gerados em cache para que possam ser exibidos com rapidez a outros clientes do marketplace. Os resumos em cache são baseados apenas em avaliações públicas e não contêm dados pessoais ou específicos da instância.

Os resumos gerados por IA para tickets usam a tecnologia de grandes modelos de linguagem desenvolvida pela OpenAI. Esses grandes modelos de linguagem incluem a série de modelos GPT da OpenAI.

Os resumos de tickets gerados por IA usam esses modelos para analisar as informações do ticket do Jira e gerar resumos breves em linguagem natural nos produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre os recursos dos modelos da OpenAI.

Os resumos gerados por IA para tickets ajudam você a ter uma visão geral clara e concisa de um ticket do Jira, resumindo a intenção, o status atual e as próximas etapas do item. Assim, você pode entender um ticket mais rápido e partir para a ação mais cedo, antes de analisar todas as informações e o contexto relacionado.

A gente acredita que os resumos gerados por IA para tickets funcionam melhor em cenários em que:

• Você quer uma visão geral rápida de um ticket antes de decidir o que fazer em seguida.
• Você quer compreender as informações mais relevantes sobre um ticket sem precisar analisar cada campo ou ticket vinculado.
• Você quer compreender as principais decisões tomadas.
• Você precisa revisar um ou mais tickets complexos (por exemplo, com vários comentários, tickets vinculados e histórico) e quer uma maneira rápida de saber por onde começar.

É importante lembrar que, devido à forma como funcionam os modelos usados para alimentar os resumos gerados por IA para tickets, às vezes esses modelos podem apresentar um comportamento impreciso, incompleto ou não confiável.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente descobriu que os resumos gerados por IA para tickets são menos úteis em cenários em que:

• Você precisa de informações atuais e precisas sobre pessoas, lugares e fatos.
• Você precisa que os resumos gerados por IA para tickets tenham acesso a informações que nem sempre estão disponíveis de imediato (na sua instância, por exemplo) para encontrar a resposta adequada para a solicitação.
• Você precisa consultar o registro completo e oficial do ticket. O resumo serve como ponto de partida e não deve substituir a revisão dos dados do ticket quando necessário.
• As informações subjacentes do ticket estão incompletas, desatualizadas, ambíguas ou inconsistentes.
• As permissões ou o acesso ao conteúdo relevante do ticket foram alterados há pouco tempo e o resumo ainda não foi atualizado.

Por isso, a gente sugere que você pense sobre as situações em que usa o Rovo e analise a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

Também considere:

• Ser o mais específico possível sobre o que você pede para o Rovo fazer.
• Manter campos, descrições, comentários do ticket e de tickets relacionados precisos e atualizados.
• Confirmar que o resumo reflete as informações mais recentes do ticket, em especial quando permissões, status, propriedade ou tickets vinculados foram alterados há pouco tempo.
• Tratar o resumo como uma visão geral auxiliar, e não como substituto para o próprio ticket.

A gente entende que você pode ter dúvidas sobre como os resumos gerados por IA para tickets usam seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• Os prompts (dados de entrada) e as respostas (dados de saída).
• Contexto da sua instância relevante para o prompt, como dados de tickets do Jira, relacionamentos entre os tickets e o contexto de tickets vinculados.
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo prompts ou respostas que você decida compartilhar como parte do feedback.

Quando se trata dos seus dados, os resumos gerados por IA para tickets aplicam as seguintes medidas.

• Os prompts (dados de entrada) e as respostas (dados de saída):
  • Não são disponibilizadas para outros clientes.
  • Não são enviadas para nenhum provedor de LLM terceirizado que não seja a OpenAI.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para aprimorar modelos de linguagem de grande porte nem modelos da OpenAI.
• A OpenAI é um subprocessador da Lista de subprocessadores da Atlassian. Eles não usam os dados de entrada e de saída, exceto para processar a solicitação.
• Essa função segue as permissões na instância. Os resumos gerados são mostrados apenas a usuários com acesso ao ticket do Jira correspondente, e apenas conteúdo sem restrições é usado para gerar os resumos. Se as permissões forem alteradas, os resumos são atualizados para que usuários vejam apenas os resumos dos tickets aos quais têm acesso. Se você não quer que seu conteúdo seja disponibilizado nas respostas para outros usuários na instância, trabalhe com o administrador da organização para garantir que as permissões tenham uma definição adequada.

Recursos do Rovo

A avaliação de risco de alterações com o Rovo ("Avaliação de risco de alterações") é impulsionada por modelos de linguagem de larga escala desenvolvidos pela OpenAI, pelo Google e outros modelos de aprendizado de máquina. Esses modelos incluem a série de modelos GPT da OpenAI e a série Gemini do Google.

A Avaliação de risco de alterações usa esses modelos para analisar e gerar linguagem natural e código nos produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Isso significa que as respostas são geradas pela previsão da próxima palavra ou texto mais provável, de acordo com os dados em que eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e do Google.

A Avaliação de risco de alterações examina os riscos técnicos e operacionais das solicitações de alteração do Jira Service Management em mais de 20 parâmetros, incluindo avaliação estática de código, conflitos entre alterações, incidentes e eficácia do plano de rollback. Assim, os aprovadores de alterações têm uma visão ampla de riscos para ajudar a tomar decisões fundamentadas com o objetivo de reduzir incidentes graves. Ela também oferece sugestões de mitigação para lidar com os riscos que identificou.

A gente acredita que a Avaliação de risco de alterações funciona melhor nos cenários em que:

• Você configurou a base de conhecimento conectada com requisitos de avaliação personalizados nas configurações do projeto.
• Você concedeu aos aprovadores de alterações relevantes que executariam essa função acesso a todas as fontes de dados necessárias para avaliação adequada dos riscos, incluindo links em solicitações de alteração e comentários.
• Você conectou seus ambientes de desenvolvimento, como o Bitbucket ou o Github, ao Jira Service Management por meio de configurações de rastreamento e controle de implantação de alterações.
• Seus aprovadores de alterações estão cientes e informados de que devem verificar com cuidado os dados da avaliação de risco e as mitigações sugeridas e utilizar a função como um fator para determinar a maneira de lidar com as solicitações de alteração, em vez de depender demais dela como a única avaliação.

É importante lembrar que, devido à forma como funcionam os modelos utilizados para viabilizar a Avaliação de risco de alterações, às vezes eles podem ser imprecisos, incompletos ou pouco confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente constatou que a Avaliação de risco de alterações é menos útil em cenários em que:

• Você precisa de informações atuais e precisas sobre pessoas, lugares e fatos.
• A solicitação de alteração contém informações incorretas, desatualizadas ou incompletas, por exemplo, na descrição ou nas informações, ou porque não está conectada aos serviços ou ativos relevantes.
• Você não está usando o Gerenciamento de incidentes ou a Revisão pós-incidente no Jira Service Management. Neste caso, os riscos de incidente não podem ser determinados e isso pode significar que a Gestão de riscos de alteração vai dar uma visão incompleta dos riscos envolvidos.
• Você não está usando serviços ou ativos no Jira Service Management.
• Você não está usando ferramentas de integração/implantação contínuas compatíveis, ou não conectou ferramentas de integração/implantação contínuas compatíveis por meio do rastreamento ou controle de implantação.
• Você não apresentou os links de pull request necessários na descrição da alteração (apenas para alterações de software).
• Você desabilitou as tarefas (consulte Sugestões de mitigação) como parte do tipo do item do Jira Service Management. Se você fez isso, a Avaliação de risco de alterações não vai conseguir criar etapas de mitigação.
• As bases de conhecimento que você conectou nas configurações do projeto estão incompletas, imprecisas ou desatualizadas.
• Você ou um membro da equipe não tem acesso a fontes de dados relevantes, como a base de conhecimento ou o ambiente de desenvolvimento mencionados na solicitação da alteração. Neste caso, a avaliação de risco vai ser baseada nos recursos aos quais você tem acesso, e isso pode significar que a pontuação da avaliação de risco e as mitigações sugeridas podem não ser precisas e vão variar de pessoa para pessoa, dependendo dos direitos de acesso de cada uma.
• A Avaliação de risco de alterações dá orientações para alicerçar a tomada de decisão. Ela não substitui a revisão humana. As decisões finais em termos de avaliação de risco continuam sob a responsabilidade dos gerentes e aprovadores de alterações.
• Gerentes de alteração e aprovadores são responsáveis por revisar a avaliação e validar os resultados antes de aprovar uma alteração.
• Sempre use a experiência da sua equipe e as políticas da organização ao tomar decisões.
  

Por isso, a gente sugere que você pense sobre as situações em que usa a Avaliação de risco de alterações e analise a qualidade das respostas recebidas antes de compartilhar com outras pessoas.

Também considere:

• Ser o mais específico possível nas descrições de solicitações de alteração e nas bases de conhecimento anexadas
• Validar e usar os resultados da IA para ter uma base, em vez de depender deles por completo para tomar uma decisão
• Garantir que todos os membros da equipe que vão usar esta função tenham os mesmos direitos de acesso às bases de conhecimento relevantes e a outros recursos conectados ao projeto, para que vejam resultados semelhantes ao executar esta função
• Não usar a Avaliação de risco de alterações para projetos sigilosos, a menos que você possa restringir os participantes do projeto que vão ver essa função e os resultados.

A gente entende que você pode ter dúvidas sobre como a Avaliação de risco de alterações usa seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• Os prompts (dados de entrada) e as respostas (dados de saída).
• Contexto da sua instância relevante para o seu prompt e descrição/comentários da alteração, como implantações, ambientes de desenvolvimento conectados e fontes da base de conhecimento oferecidas
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback sobre a função, incluindo prompts ou respostas que você decida compartilhar.
  

Quando se trata de dados, a Avaliação de risco de alterações aplica as seguintes medidas.

• Os prompts (dados de entrada) e as respostas (dados de saída):
  • Não são disponibilizadas para outros clientes.
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja OpenAI e Google.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para aperfeiçoar qualquer modelo de LLM.
• O OpenAI e o Google Vertex são subprocessadores da Lista de Subprocessadores da Atlassian. Eles não usam os dados de entrada e de saída, exceto para processar a solicitação.
• Essa função segue as permissões definidas na instância. Por exemplo, se você não tiver acesso a um ambiente de implantação, a uma base de conhecimento ou a um link restrito, o conteúdo dessas fontes não vai ser sugerido na resposta que você receber. Se você não quer que o conteúdo seja disponibilizado nas respostas para outros usuários da instância, peça ao administrador da organização para garantir a configuração adequada das permissões.

Recursos do Rovo

Habilite e faça a configuração de riscos para as alterações com o Rovo Ops

Avalie possíveis riscos para as alterações com o Rovo Ops

A API Forge LLMs ("Forge LLMs") é viabilizada por modelos de linguagem de larga escala desenvolvidos pela Anthropic. Esses grandes modelos de linguagem incluem a série de modelos Claude da Anthropic.

Os LLMs do Forge utilizam esses modelos para analisar e gerar linguagem natural nos aplicativos do Forge criados para funcionar com os Apps da Atlassian.

Esses modelos geram respostas com base nos seus dados de entrada do aplicativo Forge e têm natureza probabilística. Assim, as respostas são geradas pela previsão da próxima palavra ou texto mais provável, com base nos dados em que eles foram treinados.

Leia mais sobre as capacidades dos modelos da Anthropic.

Os LLMs do Forge permitem que desenvolvedores criem aplicativos Forge alimentados por IA mais rápido, propiciando acesso seguro a modelos de linguagem de larga escala por meio de uma API de plataforma simples, que não requer a saída de dados da Atlassian Platform. Você pode desenvolver aplicativos Forge que integram funções de IA generativa utilizando LLMs do Forge, sejam eles destinados à distribuição e ao uso por terceiros (por exemplo, pelo Atlassian Marketplace) ou apenas para uso interno da sua organização.

A gente acredita que os LLMs do Forge funcionam melhor em cenários em que:

• Você está desenvolvendo aplicativos Forge e quer utilizar funções de IA que não requerem a saída de dados da Atlassian Platform.
• Você quer utilizar uma IA projetada para respeitar o compromisso da Atlassian com o uso seguro e responsável da IA.
• Você quer uma maneira simples de acessar modelos líderes do setor e inteligência nos seus aplicativos Forge.

É importante lembrar que, devido à forma como funcionam os modelos usados para viabilizar os LLMs do Forge, às vezes eles podem ser imprecisos, incompletos ou não confiáveis.

Por exemplo, as respostas que seus usuários recebem podem não refletir com precisão o conteúdo em que se baseiam ou podem incluir conteúdo que pareça plausível, mas é falso ou incompleto.

A gente constatou que os LLMs do Forge são menos úteis em cenários em que:

• Você precisa de informações atuais e precisas sobre pessoas, lugares e fatos.
• Seus usuários vão precisar que seu aplicativo Forge tenha acesso a informações que não estão disponíveis para eles no momento (por exemplo, na instância deles ou por meio de LLMs do Forge) para responder à sua solicitação de forma adequada.
• Seu aplicativo precisa apresentar resultados ou outras saídas que sejam determinísticos ou reproduzíveis.
• Você quer que seu aplicativo tenha acesso a modelos que não estão disponíveis no momento pelos LLMs do Forge.

Por isso, a gente sugere que você pense sobre as situações em que usa os LLMs do Forge e oriente seus usuários a analisar a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

Também considere:

• Identificação de casos de uso práticos e específicos para LLMs do Forge nos seus aplicativos.
• Ajuste dos prompts que você usa com os LLMs do Forge conforme esses casos de uso. Leia mais sobre técnicas de engenharia de prompt para modelos Claude da Anthropic.
• Desenvolvimento de um plano de teste eficaz para qualquer função baseada em LLMs do Forge.

A gente entende que você pode ter dúvidas sobre como os LLMs do Forge usam seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• Os prompts (entradas) e as respostas (saídas) que o seu aplicativo envia para os LLMs do Forge.
• Contexto da instância em que seu aplicativo está instalado que seja relevante para esses prompts, como páginas do Confluence que você quer resumir ou tickets do JSM que quer analisar.

Quando se trata de dados, os LLMs do Forge adotam as seguintes medidas.

• Os prompts (dados de entrada) e as respostas (dados de saída) do seu aplicativo:
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor terceiro de LLM que não seja da Anthropic no AWS Bedrock.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar nenhum modelo grande de linguagem.
  • São usados apenas para atender às solicitações do aplicativo.
• O AWS Bedrock é um subprocessador na Lista de subprocessadores. Eles não usam os dados de entrada e de saída, exceto para processar a solicitação.
• Esta função segue as permissões de instalação do aplicativo Forge. Por exemplo, se o aplicativo Forge não tiver acesso a determinada página do Confluence, ela não vai poder ser incluída nos dados enviados e recebidos do LLM. Se você não quer que o conteúdo seja disponibilizado nas respostas para outros usuários na instância, trabalhe com o administrador da organização para garantir que as permissões tenham uma configuração adequada.

API de LLMs do Forge (pré-visualização)

O Serviço Rovo conta com a tecnologia dos grandes modelos de linguagem (LLMs) desenvolvidos pela OpenAI e Google, além de uma combinação de outros modelos de aprendizado de máquina. Esses LLMs incluem a série de modelos GPT da OpenAI e a série Gemini do Google.

O Serviço Rovo usa esses modelos para analisar e gerar linguagem natural para os nossos produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Assim, as respostas são geradas pela previsão da próxima palavra ou texto mais provável, com base nos dados em que eles foram treinados.

Leia mais sobre as capacidades dos modelos da OpenAI e do Google.

Sobre o Serviço Rovo

O Serviço Rovo foi criado para ajudar as equipes de suporte aos funcionários (como TI, RH e instalações): ele resolve solicitações de serviço comuns e repetitivas no Jira Service Management (JSM). O Serviço Rovo tem duas funções:

O Agente de resolução é ideal para ajudar você a resolver tickets o quanto antes. Para isso, ele gera um plano com os recursos internos fornecidos e o executa por conta própria (se você selecionar essa opção de execução) ou com a sua supervisão.

O Agente de integração de funcionários gera planos de integração para novos funcionários usando jornadas que você configura. Edite o plano sugerido como achar melhor. Depois de finalizado, o plano de integração aprovado pode ser executado usando o Rovo com a sua supervisão em cada etapa.

Saiba mais sobre os modos de execução supervisionada e autônoma.

Como o Serviço Rovo funciona

Em geral, tanto o Agente de resolução quanto o Agente de integração de funcionários:

1. Analisam novas solicitações de serviço no JSM, incluindo o resumo da solicitação, a descrição e os campos relevantes.
2. Recuperam e interpretam o conhecimento interno (como runbooks, documentos de políticas e artigos internos) que foi vinculado por administradores como fontes de conhecimento.
3. Geram um plano de resolução estruturado e detalhado para a solicitação atribuída, com ações recomendadas que o Rovo pode realizar e etapas que devem ser concluídas por um agente de serviço humano.
4. Executam o plano aprovado ou atribuído:

• Realizando ações no JSM (por exemplo, atualização de campos, alteração de status, adição de comentários), onde permitido.
• Chamando ferramentas configuradas e integrações de terceiros (por exemplo, Okta e IdentityNow) para realizar tarefas relacionadas a acesso.
• Repassando etapas para agentes humanos quando há pouca confiança na execução de uma etapa.

Casos de uso recomendados para o Serviço Rovo

Acreditamos que o Serviço Rovo funciona melhor quando:

• Sua organização tem runbooks bem definidos e documentados, artigos de conhecimento e outros recursos que fornecem detalhes adequados sobre as etapas necessárias para resolver os tipos de solicitação aplicáveis, incluindo jornadas para o Agente de integração de funcionários.
• Você se dispõe a investir na redação de runbooks, jornadas e outras documentações adequadas, claras e atualizadas, como parte da sua base de conhecimento. Para isso, descreve as ações a serem tomadas para diferentes tipos de solicitação, como quais ferramentas usar, quais parâmetros são necessários e condições ou exceções aplicáveis.
• Você faz a conexão adequada das ferramentas de terceiros necessárias para executar as etapas de um plano de resolução.
• Você começa com tipos de solicitação de baixo risco, focados e reproduzíveis que são bem compreendidos e tratados de maneira semelhante todas as vezes. Assim, você avalia melhor as capacidades do Serviço Rovo e resolve uma possível falta de conhecimento ou acesso antes de expandir para outros casos de uso.
• Você usa o modo de execução autônoma quando tem tipos de solicitação reproduzíveis, simples e bem compreendidos que costumam ter o mesmo plano de resolução. Por exemplo, solicitações rotineiras de depuração de software.

É importante lembrar que, devido à forma como funcionam os modelos usados para viabilizar o Serviço Rovo, às vezes eles podem ser imprecisos, incompletos ou não confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas seja falso ou incompleto.

A gente descobriu que o Serviço Rovo é menos útil quando:

• Você precisa de informações atuais e confiáveis sobre pessoas, lugares ou outros fatos do mundo real fora dos seus sistemas.
• Você espera que o Serviço Rovo acesse informações ou execute ações em ferramentas às quais ele não tem acesso ou para as quais não foi configurado. Ele não pode contornar as permissões do produto nem atuar em ferramentas que não estejam conectadas.
• Sua base de conhecimento interna é escassa, desatualizada ou inconsistente, o que dificulta a criação de um plano seguro e confiável no Serviço Rovo.
• O fluxo de trabalho de uma solicitação é muito personalizado ou exige julgamento humano complexo frequente.
• O Rovo Serviço pode não ser muito útil ao trabalhar com tickets de serviço ou bases de conhecimento em idiomas que não sejam o inglês porque não fizemos os testes necessários para averiguar a precisão dessa função em outros idiomas.

Por isso, a gente sugere que você pense sobre as situações em que usa o Rovo e analise a qualidade das respostas recebidas antes de compartilhar os resultados com outras pessoas.

Também considere:

• Garantir que os runbooks internos e os artigos de conhecimento estejam sempre atualizados e sejam claros e específicos sobre quais ações devem ser tomadas e sob quais condições, incluindo quando o escalonamento para um humano for necessário.
• Revisar os planos e as saídas com cuidado, ainda mais quando o Serviço Rovo interagir com ferramentas de terceiros ou fizer alterações no acesso de usuários.
• Considerar o Serviço Rovo um assistente para eliminar o esforço manual em tarefas repetitivas e de baixa complexidade, e não um substituto do julgamento humano em solicitações complexas, nas quais a resolução pode variar bastante de acordo com o contexto.
• Se você escolher usar o modo autônomo, comece com tipos de solicitação simples e bem documentados, em que as etapas possam ser reproduzidas várias vezes.

A gente entende que você pode ter dúvidas sobre como o Serviço Rovo usa seus dados. Esta seção complementa as informações disponíveis no Atlassian Trust Center.

O que é processado:

• Os prompts (dados de entrada) e as respostas (dados de saída).
• O contexto da sua instância relevante para o seu prompt, como suas fontes de conhecimento internas, incluindo artigos do Confluence, tickets históricos do JSM e outros itens adicionados à sua base de conhecimento para o Serviço Rovo
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo prompts ou respostas que você decida compartilhar como parte do feedback.

Quando se trata de dados, o Serviço Rovo aplica as seguintes medidas:

• Os prompts (dados de entrada) e as respostas (dados de saída):
  • Não estão disponíveis para outros clientes.
  • Não são enviados para nenhum provedor de LLM terceirizado que não seja OpenAI ou Google.
  • Não são armazenados por nenhum provedor de LLM.
  • Não são usados para melhorar nenhum modelo grande de linguagem.
• A OpenAI e o Google Vertex são subprocessadores da lista de subprocessadores da Atlassian. Eles não usam seus dados de entrada e de saída, exceto para processar sua solicitação.
• Essa função segue as permissões na instância. Por exemplo, se você não tiver acesso a fontes de conhecimento no Confluence, o conteúdo dessas páginas não vai ser sugerido para você na resposta recebida. Se você não quer que seu conteúdo seja disponibilizado nas respostas para outros usuários na instância, trabalhe com o administrador da organização para garantir que as permissões tenham uma definição adequada.

Recursos do Rovo

Use o Serviço Rovo para simplificar o trabalho da sua equipe

Os metadados assistidos por IA para templates de blocos são alimentados por grandes modelos de linguagem desenvolvidos pelo Google e pela OpenAI. Esses grandes modelos de linguagem incluem a série de modelos Gemini, do Google, e a série de modelos GPT, da OpenAI.

Os metadados assistidos por IA para templates de blocos utilizam esses modelos para analisar e gerar linguagem natural em nossos produtos.

Esses modelos geram respostas com base nos dados de entrada e são de natureza probabilística. Assim, as respostas são geradas pela previsão da próxima palavra ou texto mais provável, com base nos dados em que eles foram treinados.

Leia mais sobre as capacidades dos modelos do Google e da OpenAI.

Ao criar templates de blocos para reutilizar com facilidade blocos de conteúdo no futuro, os metadados assistidos por IA para templates de blocos economizam seu tempo, gerando na hora um título e uma descrição para o template de bloco com base no conteúdo. Você pode então aceitar, editar ou remover qualquer uma dessas sugestões.

A gente acredita que os metadados assistidos por IA para templates de blocos funcionam melhor em cenários em que:

• Você quer que os futuros usuários tenham uma maneira fácil de identificar a que se refere o template e saber quando ele pode ser usado.
• Você está criando muitos templates de blocos de uma só vez, o que permite que você se concentre nos próprios templates, em vez de ter que pensar em títulos e descrições.
• Você está criando um template de bloco e não tem um título ou descrição específica em mente.

É importante lembrar que, devido à forma como funcionam os modelos utilizados para gerar metadados assistidos por IA para templates de blocos, esses modelos podem, às vezes, apresentar resultados imprecisos, incompletos ou pouco confiáveis.

Por exemplo, as respostas que você recebe podem não refletir com precisão o conteúdo em que se baseiam ou incluir conteúdo que pareça razoável, mas é falso ou incompleto.

A gente constatou que os metadados assistidos por IA para templates de blocos são menos úteis em cenários em que:

• Seu template está em um idioma diferente do inglês.
• Seu template de bloco é muito curto. Nesse caso, a IA pode não ter contexto suficiente para gerar um título ou descrição útil.
• Seu template de bloco contém muito conteúdo sobre diversos tópicos e assuntos, o que dificulta que a IA gere um título e uma descrição claros e coerentes.
• Você já tem um nome ou uma descrição específica em mente.

A gente entende que você possa ter dúvidas sobre como os metadados assistidos por IA para templates de blocos utilizam seus dados. Esta seção complementa as informações disponíveis no Trust Center.

O que é processado:

• Os prompts (dados de entrada) e as respostas (dados de saída).
• Contexto da sua instância relevante para a sua solicitação, como o conteúdo dos blocos que você está salvando como um template de bloco (que é a base a partir da qual as sugestões de título e descrição são geradas).
• Dados sobre como você interage com as funções, como dados de sequência de cliques e as pessoas com quem você trabalha.
• Feedback que você opta por dar sobre a função, incluindo prompts ou respostas que você decida compartilhar como parte do feedback.

No que diz respeito aos seus dados, os metadados assistidos por IA para templates de blocos aplicam as seguintes medidas.

• Suas entradas (o conteúdo do bloco enviado para sugestões) e saídas (o título e a descrição sugeridos):
  • Não estão disponíveis para outros clientes.
  • Não são enviadas a nenhum provedor de LLM terceirizado, exceto o Google ou a OpenAI.
  • Não são armazenadas pelo provedor do LLM.
  • Não são utilizadas para treinar ou aprimorar nenhum grande modelo de linguagem.
• O Google e a OpenAI são subprocessadores em nossa Lista de Subprocessadores. Eles não usam seus dados de entrada e de saída, exceto para processar sua solicitação.
• Essa função funciona apenas com o conteúdo que você está escolhendo para salvar como um template de bloco. Ela não lê outros conteúdos da sua instância, e as sugestões são geradas apenas a partir dos blocos que você está salvando.

• Transparência do Atlassian Intelligence
• Atlassian Intelligence Trust Center