Une meilleure transparence avec Atlassian Intelligence et Rovo

La fonctionnalité de création de revue post-incident (PIR) par Atlassian Intelligence s'appuie sur de grands modèles de langage (LLM) développés par OpenAI. Ces LLM incluent la série de modèles GPT d'OpenAI. Atlassian Intelligence utilise ces modèles pour analyser et générer du langage naturel dans ses produits.

Ces modèles génèrent des réponses en fonction de ce que les utilisateurs saisissent et suivent une approche probabiliste. En d'autres termes, ils génèrent leurs réponses en prédisant le mot ou le texte suivant le plus probable, sur la base des données qui ont permis de les entraîner.

Pour en savoir plus sur les capacités des modèles d'OpenAI ou sur cette approche, consultez les articles de recherche d'OpenAI.

Les PIR jouent un rôle central dans le processus de gestion des incidents, car elles aident les intervenants sur l'incident et les responsables à tirer les leçons des incidents actuels et à transmettre des informations afin d'éviter que des incidents similaires ne se reproduisent à l'avenir. Atlassian Intelligence (AI) contribue à accélérer la tâche souvent fastidieuse de compilation de PIR en vous proposant une description de la PIR basée sur les informations contextuelles pertinentes de votre instance Jira Service Management et des outils de chat tels que Slack. Il ne vous reste ensuite qu'à la vérifier.

Nous pensons que la fonctionnalité Créer une revue post-incident avec AI fonctionne mieux dans les scénarios où :

• votre organisation a pour habitude de compiler des PIR pour les incidents ;

• votre équipe dispose d'informations sur les incidents éparpillées dans des outils de chat tels que Slack et Jira Service Management, ce qui vous oblige à passer plus de temps à compiler une PIR à partir de ces sources ;

• votre organisation consigne les incidents dans Jira Service Management à l'aide d'informations complètes et à jour.

Il est important de se rappeler qu'en raison de leur fonctionnement, les modèles utilisés pour alimenter la création de PIR peuvent parfois se comporter de manière inexacte, incomplète ou peu fiable. Par exemple, les réponses que vous recevrez peuvent ne pas refléter exactement le contenu sur lequel elles sont basées ou inclure du contenu qui semble raisonnable, mais qui est faux ou incomplet.

Nous avons découvert que la création de PIR est moins utile dans les scénarios où :

• vous avez besoin d'informations actuelles et précises sur des personnes, des lieux et des faits ;
• vous avez besoin que la fonctionnalité de création de PIR ait accès à des informations qui ne vous sont pas facilement accessibles (par exemple, des canaux de chat auxquels vous n'avez pas accès) afin de générer correctement la description de la PIR ;
• les données disponibles dans votre instance Jira Service Management sont incomplètes ou insuffisamment détaillées, la fonctionnalité de création de PIR ne pourra donc peut-être pas générer une description précise.

C'est pourquoi nous vous encourageons à réfléchir aux situations dans lesquelles vous utilisez Atlassian Intelligence et à évaluer la qualité des réponses reçues avant de les partager avec d'autres personnes.

Considérez également les points suivants :

• Soyez aussi précis que possible dans les demandes que vous formulez à Atlassian Intelligence.
• Veillez à ce que vous et votre équipe suiviez systématiquement les pratiques de gestion des incidents, par exemple en consignant des informations complètes et précises sur les incidents dans votre instance Jira Service Management et en associant les canaux de chat concernés à l'incident.

Vous avez probablement des questions sur la façon dont la fonctionnalité Créer une revue post-incident avec AI utilise vos données. Cette section complète les informations disponibles sur notre page de FAQ.

Ce que nous traitons :

• Vos prompts (contributions) et les réponses (résultats).
• Le contexte de votre instance en rapport avec votre prompt, comme les données sur les incidents (le résumé, les étiquettes, la priorité, les équipes d'intervenants et la description, par exemple), les alertes liées et les canaux de chat Slack liés.
• Des données concernant la façon dont vous interagissez avec nos fonctionnalités, telles que les données relatives au parcours de navigation et aux personnes avec qui vous travaillez.

• Les commentaires que vous choisissez de fournir à propos de cette fonctionnalité, y compris les prompts ou réponses que vous choisissez de partager dans le cadre de vos commentaires.

En ce qui concerne vos données, la fonctionnalité de création de PIR avec AI applique les mesures suivantes :

• Vos prompts (contributions) et les réponses (résultats) :

  • ne sont pas disponibles pour les autres clients ;

  • ne sont pas envoyés à d'autres fournisseurs LLM tiers autre qu'OpenAI ;

  • ne sont pas stockés par OpenAI ;

  • ne sont pas utilisés pour améliorer les modèles OpenAI ;

  • sont uniquement utilisés pour améliorer votre expérience.

• Tous les fournisseurs de LLM tiers sont des sous-traitants et sont répertoriés comme tels sur notre page consacrée aux sous-traitants.

• Cette fonctionnalité respecte les autorisations de votre instance. Par exemple, si vous n'avez pas accès aux alertes liées à l'incident ni aux canaux Slack liés, aucun contenu provenant de ces sources ne vous sera suggéré dans la réponse que vous recevrez. Si vous ne souhaitez pas que votre contenu soit disponible en réponse aux autres utilisateurs de votre instance, demandez à l'administrateur de votre organisation de vérifier que vos autorisations sont correctement définies.

La génération de descriptions de pull requests à l'aide d'Atlassian Intelligence est optimisée par de grands modèles de langage développés par OpenAI, Google et Anthropic, ainsi que par une combinaison de grands modèles de langage open source (dont les séries Llama, Phi et Mixtral) et d'autres modèles d'apprentissage machine. Ces grands modèles de langage incluent les séries GPT d'OpenAI, Gemini de Google et Claude d'Anthropic.

Atlassian Intelligence utilise ces modèles pour analyser et générer du langage naturel et du code dans nos produits.

Ces modèles génèrent des réponses en fonction de vos entrées et suivent une approche probabiliste. En d'autres termes, ils génèrent leurs réponses en prédisant le mot ou le texte suivant le plus probable, sur la base des données qui ont permis de les former.

En savoir plus sur les fonctionnalités des modèles d'OpenAI, de Google et d'Anthropic. Pour plus d'informations sur les modèles linguistiques open source, consultez les informations sur les séries Llama et Phi.

Atlassian Intelligence peut vous aider à générer, transformer et résumer du contenu pendant que vous rédigez des descriptions de pull requests ou des commentaires dans le cadre de l'expérience de revue de code Bitbucket Cloud. Ceci inclut :

• Génération d'une description de pull request en fonction des changements de code contenues dans la pull request.
• Résumer, améliorer ou changer le ton de la description de pull request.
• Résumer, améliorer ou changer le ton du commentaire de pull request.

Nous pensons que la génération de descriptions de pull requests Bitbucket Cloud avec Atlassian Intelligence fonctionne mieux dans les scénarios suivants :

• En tant qu'auteur de code, vous souhaitez qu'Atlassian Intelligence vous aide à rédiger ou à améliorer la description de pull request. Cela fonctionne mieux pour les équipes qui sont en mesure de vérifier et de confirmer que le contenu généré par Atlassian Intelligence est approprié pour décrire la pull request.
• En tant que réviseur de code, vous souhaitez qu'Atlassian Intelligence vous aide à améliorer le ton ou le contenu d'un commentaire sur la pull request que vous avez déjà rédigé.

Il est important de se rappeler qu'en raison du fonctionnement des modèles utilisés pour alimenter ce travail sur les fonctionnalité, ils peuvent parfois se comporter de manière inexacte, incomplète ou peu fiable.

Par exemple, les réponses que vous recevrez peuvent ne pas refléter exactement le contenu sur lequel elles sont basées ou inclure du contenu qui semble raisonnable, mais qui est faux ou incomplet.

Nous avons découvert que la génération de descriptions de pull requests Bitbucket Cloud à l'aide d'Atlassian Intelligence était moins utile dans les scénarios suivants :

• Vous avez besoin de la description de votre pull request pour faire référence à des informations qui ne figurent pas déjà dans les changements de code (par exemple, le code source contenu ailleurs dans le dépôt).
• Vous n'êtes pas en mesure de vérifier et de confirmer que le contenu généré par Atlassian Intelligence reflète fidèlement la pull request.
• vous avez besoin d'informations actuelles et précises sur des personnes, des lieux et des faits ;

C'est pourquoi nous vous encourageons à réfléchir aux situations dans lesquelles vous utilisez Atlassian Intelligence et à évaluer la qualité des réponses reçues avant de les partager avec d'autres personnes.

Considérez également les points suivants :

• Soyez aussi précis que possible dans les demandes que vous formulez à Atlassian Intelligence.
• Relisez, révisez et modifiez les résultats générés par l'assistant de rédaction d'AI afin de gagner en précision et en clarté.
• Collaborez avec d'autres personnes afin de recueillir du feedback et d'améliorer la qualité de vos résultats.

Vous avez probablement des questions sur la façon dont la définition de termes avec Atlassian Intelligence dans Confluence utilise vos données. Cette section complète les informations disponibles sur notre page de FAQ.

Ce que nous traitons :

• Vos invites (entrées) et les réponses (sorties)
• Contexte de votre instance pertinent pour votre invite, notamment :
  • Changements de code et messages de commit dans votre pull request
  • Contenu de la description de votre pull request
  • Contenu du commentaire sur votre pull request
• Des données concernant la façon dont vous interagissez avec nos fonctionnalités, telles que les données relatives au parcours de navigation et aux personnes avec qui vous travaillez.
• Feedback que vous décidez de fournir à propos de cette fonctionnalité

En ce qui concerne vos données, la génération de descriptions de pull requests à l'aide d'Atlassian Intelligence applique les mesures suivantes :

• Vos invites (entrées) et les réponses (sorties) :
  • ne sont pas disponibles pour les autres clients ;

  • ne sont envoyés à aucun fournisseur de LLM tiers autre qu'OpenAI, Google ou Anthropic sur AWS Bedrock ;

  • ne sont stockés par aucun fournisseur de LLM ;
  • ne sont pas utilisés pour améliorer les modèles de LLM ;
  • sont uniquement utilisés pour améliorer votre expérience.
• Tous les fournisseurs de LLM tiers sont des sous-traitants et sont répertoriés comme tels sur notre page consacrée aux sous-traitants.

La génération de requêtes SQL à l'aide d'Atlassian Intelligence dans Atlassian Analytics est optimisée par de grands modèles de langage développés par OpenAI, Google et Anthropic, ainsi que par une combinaison de grands modèles de langage open source (dont les séries Llama, Phi et Mixtral) et d'autres modèles d'apprentissage machine. Ces grands modèles de langage incluent les séries GPT d'OpenAI, Gemini de Google et Claude d'Anthropic.

Atlassian Intelligence utilise ces modèles pour analyser et comprendre le langage naturel, puis le traduit en langage de requête structuré (SQL) dans Atlassian Analytics.

Ces modèles génèrent des réponses en fonction de vos entrées et suivent une approche probabiliste. En d'autres termes, ils génèrent leurs réponses en prédisant le mot ou le texte suivant le plus probable, sur la base des données qui ont permis de les former.

En savoir plus sur les fonctionnalités des modèles d'OpenAI, de Google et d'Anthropic. Pour plus d'informations sur les modèles linguistiques open source, consultez les informations sur les séries Llama et Phi.

Posez une question à Atlassian Intelligence en langage naturel et faites-la traduire en requête SQL, plutôt que d'écrire entièrement vos propres requêtes SQL. Lorsque vous lui avez posé une question, Atlassian Intelligence utilise le schéma Atlassian Data Lake de la source de données sélectionnée pour générer une requête SQL qui peut être utilisée pour créer des graphiques dans vos tableaux de bord Atlassian Analytics et qui peut également vous aider à en savoir plus sur le schéma dans le Data Lake (lac de données).

Nous pensons que la génération de requêtes SQL à l'aide d'Atlassian Intelligence fonctionne mieux dans les scénarios où :

• vous devez créer un graphique personnalisé en commençant par le code SQL généré, puis en affinant la requête si nécessaire ;
• la question en langage naturel inclut des mots et des concepts qui sont référencés dans le schéma Atlassian Data Lake, où vous êtes aussi précis que possible ;
• vous souhaitez explorer et en savoir plus sur le schéma Atlassian Data Lake.

Il est important de se rappeler qu'en raison du fonctionnement propre aux modèles utilisés pour générer des requêtes SQL à l'aide d'Atlassian Intelligence, ces modèles peuvent parfois se comporter de manière inexacte, incomplète ou peu fiable.

Par exemple, les réponses que vous recevrez peuvent ne pas refléter exactement le contenu sur lequel elles sont basées ou inclure du contenu qui semble raisonnable, mais qui est faux ou incomplet.

Nous avons découvert que la génération de requêtes SQL à l'aide d'Atlassian Intelligence était moins utile dans les scénarios où :

• vous avez besoin d'informations actuelles et précises sur des personnes, des lieux et des faits ;
• vous avez besoin de cette fonctionnalité pour accéder à des informations qui ne sont pas facilement disponibles dans le schéma Atlassian Data Lake (p. ex., des données pour Advanced Planning) afin de répondre correctement à la question ;
• la question fait référence à des champs personnalisés ;
• la question est posée dans une langue autre que l'anglais ;
• vous ne maîtrisez pas suffisamment SQL pour valider le code SQL renvoyé par Atlassian Intelligence.

C'est pourquoi nous vous encourageons à réfléchir aux situations dans lesquelles vous utilisez Atlassian Intelligence et à évaluer la qualité des réponses reçues avant de les partager avec d'autres personnes.

Considérez également les points suivants :

• Soyez aussi précis que possible dans les demandes que vous formulez à Atlassian Intelligence.
• Assurez-vous que la source de données Atlassian Data Lake que vous utilisez couvre les données nécessaires pour répondre à votre question.

Vous avez probablement des questions sur la façon dont la génération de requêtes SQL avec Atlassian Intelligence utilise vos données. Cette section complète les informations disponibles sur notre page de FAQ.

Ce que nous traitons :

• Vos invites (entrées) et les réponses (sorties).
• le contexte de votre instance pertinent pour votre invite, y compris les schémas Atlassian Data Lake publics applicables à votre instance ;
• Des données concernant la façon dont vous interagissez avec nos fonctionnalités, telles que les données relatives au parcours de navigation et aux personnes avec qui vous travaillez.
• Les commentaires que vous choisissez de fournir à propos de cette fonctionnalité, y compris les questions ou réponses que vous choisissez de partager dans le cadre de vos commentaires.

En ce qui concerne vos données, la génération de requêtes SQL à l'aide d'Atlassian Intelligence applique les mesures suivantes :

• Vos invites (entrées) et les réponses (sorties) :
  • ne sont pas disponibles pour les autres clients ;

  • ne sont envoyés à aucun fournisseur de LLM tiers autre qu'OpenAI, Google ou Anthropic sur AWS Bedrock ;

  • ne sont stockés par aucun fournisseur de LLM ;
  • ne sont pas utilisés pour améliorer les modèles de LLM ;
  • sont uniquement utilisés pour améliorer votre expérience.
• Tous les fournisseurs de LLM tiers se trouvent sur notre page consacrée aux sous-traitants. Ils n'utilisent pas vos contributions et résultats à d'autres fins que le traitement de votre demande.
• Cette fonctionnalité respecte les autorisations de votre connexion à Atlassian Data Lake. Par exemple, si vous n'avez pas accès à une connexion Atlassian Data Lake, vous ne pourrez pas générer de requête SQL pour l'interroger.

La recherche de réponses dans Confluence à l'aide d'Atlassian Intelligence est optimisée par de grands modèles de langage développés par OpenAI, Google et Anthropic, ainsi que par une combinaison de grands modèles de langage open source (dont les séries Llama, Phi et Mixtral) et d'autres modèles d'apprentissage machine. Ces grands modèles de langage incluent les séries GPT d'OpenAI, Gemini de Google et Claude d'Anthropic.

Atlassian Intelligence utilise ces modèles pour analyser et générer du langage naturel dans ses produits.

Ces modèles génèrent des réponses en fonction de vos entrées et suivent une approche probabiliste. En d'autres termes, ils génèrent leurs réponses en prédisant le mot ou le texte suivant le plus probable, sur la base des données qui ont permis de les former.

En savoir plus sur les fonctionnalités des modèles d'OpenAI, de Google et d'Anthropic. Pour plus d'informations sur les modèles linguistiques open source, consultez les informations sur les séries Llama et Phi.

Les bases de connaissances se développent trop vite pour que les utilisateurs puissent suivre le rythme. La recherche de réponses dans Confluence à l'aide d'Atlassian Intelligence permet d'accéder plus rapidement aux informations clés dont les clients ont besoin afin de faire avancer leur travail. Cette fonctionnalité vous permet de trouver facilement les informations dont vous avez besoin. Elle comprend les types de questions que vous poseriez à un collègue et y répond instantanément. Plus d'informations sur l'utilisation d'Atlassian Intelligence pour rechercher des réponses dans Confluence.

Nous estimons que la recherche de réponses dans Confluence à l'aide d'Atlassian Intelligence fonctionne au mieux lorsque votre site Confluence propose du contenu détaillé, complet et actualisé.

Cette fonctionnalité ne génère pas de nouveau contenu, mais permet de parcourir les pages et les blogs de Confluence, dans le respect des restrictions, afin de trouver la réponse à votre question. Atlassian Intelligence génère des réponses basées uniquement sur le contenu de votre Confluence, et sur ce à quoi vous avez spécifiquement accès.

Il est important de se rappeler qu'en raison du fonctionnement propre aux modèles utilisés pour rechercher des réponses dans Confluence à l'aide d'Atlassian Intelligence, ces modèles peuvent parfois se comporter de manière inexacte, incomplète ou peu fiable.

Par exemple, les réponses que vous recevrez peuvent ne pas refléter exactement le contenu sur lequel elles sont basées ou inclure du contenu qui semble raisonnable, mais qui est faux ou incomplet.

Nous avons découvert que la recherche de réponses dans Confluence à l'aide d'Atlassian Intelligence était moins utile dans les scénarios où :

• vous avez besoin d'informations actuelles et précises sur des personnes, des lieux et des faits ;
• vous avez besoin d'informations actualisées et précises concernant des informations qui ont tendance à changer fréquemment (une feuille de route mise à jour tous les mois, par exemple)
• vous avez besoin d'informations actualisées et précises sur des personnes spécifiques et sur le rôle que celles-ci jouent dans votre organisation
• vous devez avoir accès à des informations qui ne vous sont pas facilement accessibles (des pages restreintes dans votre instance Confluence, par exemple) afin de répondre correctement à votre question
• la réponse consiste en une série de valeurs ou de catégories différentes (des statistiques mises à jour chaque semaine, par exemple)
• vous avez besoin de réponses nuancées, complexes ou d'un niveau de raisonnement semblable à celui d'un humain

C'est pourquoi nous vous encourageons à réfléchir aux situations dans lesquelles vous utilisez Atlassian Intelligence et à évaluer la qualité des réponses reçues avant de les partager avec d'autres personnes.

Considérez également les points suivants :

• Soyez aussi précis que possible dans les demandes que vous formulez à Atlassian Intelligence.
• Poser des questions sur des éléments dont vous savez qu'ils sont documentés dans votre instance Confluence et auxquels vous avez accès.

Vous avez probablement des questions sur la façon dont la recherche de réponses dans Confluence avec Atlassian Intelligence utilise vos données. Cette section complète les informations disponibles sur notre page de FAQ.

Ce que nous traitons :

• Vos invites (entrées) et les réponses (sorties).
• Le contexte de votre instance pertinent pour votre invite, comme le contenu des trois premières pages renvoyées par la recherche Confluence.
• Des données concernant la façon dont vous interagissez avec nos fonctionnalités, telles que les données relatives au parcours de navigation et aux personnes avec qui vous travaillez.
• Les commentaires que vous choisissez de fournir à propos de cette fonctionnalité, y compris les questions ou réponses que vous choisissez de partager dans le cadre de vos commentaires.

En ce qui concerne vos données, la recherche de réponses dans Confluence à l'aide d'Atlassian Intelligence applique les mesures suivantes :

• Vos invites (entrées) et les réponses (sorties) :
  • ne sont pas disponibles pour les autres clients ;

  • ne sont envoyés à aucun fournisseur de LLM tiers autre qu'OpenAI, Google ou Anthropic sur AWS Bedrock ;

  • ne sont stockés par aucun fournisseur de LLM ;
  • ne sont pas utilisés pour améliorer les modèles de LLM ;
  • sont uniquement utilisés pour améliorer votre expérience.
• Tous les fournisseurs de LLM tiers sont des sous-traitants et sont répertoriés comme tels sur notre page consacrée aux sous-traitants. Ils n'utilisent pas vos contributions et résultats à d'autres fins que le traitement de votre demande.
• Cette fonctionnalité respecte les autorisations de votre instance. Par exemple, si vous n'avez pas accès à une certaine page Confluence, cette fonctionnalité n'utilisera pas le contenu de cette page dans la réponse que vous recevrez. Si vous ne voulez pas que votre contenu soit disponible en réponse aux autres utilisateurs de votre instance, demandez à l'administrateur de votre organisation de vérifier que vos autorisations sont correctement définies.

La recherche de tickets à l'aide d'Atlassian Intelligence dans Jira est optimisée par de grands modèles de langage développés par OpenAI, Google et Anthropic, ainsi que par une combinaison de grands modèles de langage open source (dont les séries Llama, Phi et Mixtral) et d'autres modèles d'apprentissage machine. Ces grands modèles de langage incluent les séries GPT d'OpenAI, Gemini de Google et Claude d'Anthropic.

Atlassian Intelligence utilise ces modèles pour analyser et comprendre le langage naturel, puis le traduit en code Jira Query Language (JQL) à l'intérieur de nos produits.

Ces modèles génèrent des réponses en fonction de vos entrées et suivent une approche probabiliste. En d'autres termes, ils génèrent leurs réponses en prédisant le mot ou le texte suivant le plus probable, sur la base des données qui ont permis de les former.

En savoir plus sur les fonctionnalités des modèles d'OpenAI, de Google et d'Anthropic. Pour plus d'informations sur les modèles linguistiques open source, consultez les informations sur les séries Llama et Phi.

Vous pouvez désormais demander à Atlassian Intelligence ce que vous désirez en langage courant au lieu d'envoyer des requêtes complexes. En recherchant des tickets avec Atlassian Intelligence, votre message sera traduit en une requête JQL qui vous permettra de rechercher rapidement des problèmes spécifiques.

Nous pensons que la recherche de tickets à l'aide d'Atlassian Intelligence fonctionne mieux dans les scénarios où :

• vous recherchez des tickets Jira à l'aide des champs de ticket disponibles dans votre projet Jira
• la requête contient des champs et des valeurs spécifiques qui peuvent vous aider à affiner votre recherche de ticket
• vous recherchez des champs et des valeurs qui existent dans votre projet Jira
• votre requête est en anglais
• la requête est traduisible en JQL Comme Atlassian Intelligence convertit les invites en code JQL, il est probable que les entrées contenant des mots clés pouvant être traduits en JQL généreront de meilleurs résultats.

Il est important de rappeler qu'en raison du fonctionnement propre aux modèles utilisés pour rechercher des tickets à l'aide d'Atlassian Intelligence, ces modèles peuvent parfois se comporter de manière inexacte, incomplète ou peu fiable.

Par exemple, les réponses que vous recevrez peuvent ne pas refléter exactement le contenu sur lequel elles sont basées ou inclure du contenu qui semble raisonnable, mais qui est faux ou incomplet.

Nous avons découvert que la recherche de tickets à l'aide d'Atlassian Intelligence était moins utile dans les scénarios où :

• vous avez besoin d'informations actuelles et précises sur des personnes, des lieux et des faits ;
• vous recherchez des entités Jira ne constituant pas des tickets, comme des projets, des tableaux ou des utilisateurs
• vous recherchez dans une autre langue que l'anglais
• vous avez besoin de la recherche pour analyser les tickets et créer des graphiques, des résumés ou d'autres représentations de vos données
• la recherche nécessite des fonctions qui ne sont pas actuellement disponibles en JQL (par exemple, une question telle que « Trouver des tickets que j'ai commentés » qui ne peut pas être traduite en fonction JQL)

C'est pourquoi nous vous encourageons à réfléchir aux situations dans lesquelles vous utilisez Atlassian Intelligence et à évaluer la qualité des réponses reçues avant de les partager avec d'autres personnes.

Il vous sera également utile d'être aussi précis que possible dans les demandes adressées à Atlassian Intelligence. Veillez à inclure les champs et les valeurs exacts que vous recherchez.

Vous avez probablement des questions sur la façon dont la recherche de tickets avec Atlassian Intelligence utilise vos données. Cette section complète les informations disponibles sur notre page de FAQ.

Ce que nous traitons :

• Vos invites (entrées) et les réponses (sorties).
• le contexte de votre instance pertinent pour votre invite, par exemple le projet dans lequel vous vous trouvez actuellement
• Des données concernant la façon dont vous interagissez avec nos fonctionnalités, telles que les données relatives au parcours de navigation et aux personnes avec qui vous travaillez.
• Les commentaires que vous choisissez de fournir à propos de cette fonctionnalité, y compris les questions ou réponses que vous choisissez de partager dans le cadre de vos commentaires.

En ce qui concerne vos données, la recherche de tickets à l'aide d'Atlassian Intelligence applique les mesures suivantes :

• Vos invites (entrées) et les réponses (sorties) :
  • ne sont pas disponibles pour les autres clients ;

  • ne sont envoyés à aucun fournisseur de LLM tiers autre qu'OpenAI, Google ou Anthropic sur AWS Bedrock ;

  • ne sont stockés par aucun fournisseur de LLM ;
  • ne sont pas utilisés pour améliorer les modèles de LLM ;
  • sont uniquement utilisés pour améliorer votre expérience.

  • sont stockés dans notre base de données pendant 90 jours, et vos prompts vous seront renvoyés dans le cadre de votre historique de recherche.

• Tous les fournisseurs de LLM tiers sont des sous-traitants et sont répertoriés comme tels sur notre page consacrée aux sous-traitants. Ils n'utilisent pas vos contributions et résultats à d'autres fins que le traitement de votre demande.
• Les réponses à vos recherches seront basées sur les tickets et les champs auxquels vous avez accès (si vous n'avez pas accès à un projet Jira spécifique, par exemple, vous ne recevrez pas de résultats de recherche pour les tickets et les champs relatifs à ce projet).

La fonctionnalité Résumé du travail par l'IA repose sur des LLM développés par OpenAI.

Atlassian Intelligence utilise ces modèles pour analyser et générer du langage naturel dans ses produits.

Ces modèles génèrent des réponses en fonction de vos entrées et suivent une approche probabiliste. En d'autres termes, ils génèrent leurs réponses en prédisant le mot ou le texte suivant le plus probable, sur la base des données qui ont permis de les former.

Pour en savoir plus sur les capacités des modèles d'OpenAI ou sur cette approche, consultez les articles de recherche d'OpenAI.

La fonctionnalité Répartition du travail par l'IA suggère des tickets enfant en fonction d'un ticket Jira que vous avez créé, ce qui permet de décomposer facilement les tâches volumineuses en tâches plus petites. Votre ticket est utilisé comme contexte pour générer des suggestions pour les résumés et descriptions de tickets enfant.

Nous pensons que la fonctionnalité Répartition du travail par l'IA fonctionne mieux dans les scénarios suivants :

• Vous commencez par un ticket qui contient un résumé et une description détaillés, y compris les contraintes, les instructions et les définitions de l'état « Terminé ».
• Le ticket de départ n'a pas de ticket enfant.

Il est important de se rappeler qu'en raison de leur fonctionnement, les modèles utilisés pour alimenter la fonctionnalité Répartition du travail par l'IA peuvent parfois se comporter de manière inexacte, incomplète ou peu fiable.

Par exemple, les réponses que vous recevrez peuvent ne pas refléter exactement le contenu sur lequel elles sont basées ou inclure du contenu qui semble raisonnable, mais qui est faux ou incomplet.

Nous avons découvert que la fonctionnalité Répartition du travail par l'IA est moins utile dans les scénarios suivants :

• Vous avez besoin d'informations actuelles et précises sur des personnes, des lieux et des faits.
• Vous ne commencez pas avec un résumé et une description détaillés du ticket (par exemple, si vous essayez de générer des suggestions de ticket enfant sur la base d'un ticket avec une description très courte et très large).

C'est pourquoi nous vous encourageons à réfléchir aux situations dans lesquelles vous utilisez Atlassian Intelligence et à évaluer la qualité des réponses reçues avant de les partager avec d'autres personnes.

Considérez également les points suivants :

• Soyez aussi précis que possible dans les demandes que vous formulez à Atlassian Intelligence.
• Fournissez le plus d'informations possible dans le résumé et la description du ticket de départ.

Vous avez probablement des questions sur la façon dont la fonctionnalité Répartition du travail par l'IA utilise vos données. Cette section complète les informations disponibles dans notre Trust Center.

Ce que nous traitons :

• Vos prompts (contributions) et les réponses (résultats).
• Le contexte de votre instance pertinent pour votre prompt, notamment les données du ticket (comme le résumé, la description et les commentaires).
• Des données concernant la façon dont vous interagissez avec nos fonctionnalités, telles que les données relatives au parcours de navigation et aux personnes avec qui vous travaillez.
• Les commentaires que vous choisissez de fournir à propos de cette fonctionnalité, y compris les prompts ou réponses que vous choisissez de partager dans le cadre de vos commentaires.

En ce qui concerne vos données, la fonctionnalité Répartition du travail par l'IA applique les mesures suivantes.

• Vos prompts (contributions) et les réponses (résultats) :
  • ne sont pas disponibles pour les autres clients ;
  • ne sont pas envoyés à d'autres fournisseurs LLM tiers autre qu'OpenAI ;
  • ne sont pas stockés par OpenAI ;
  • ne sont pas utilisés pour améliorer les modèles OpenAI ;
  • sont uniquement utilisés pour améliorer votre expérience.
• OpenAI est un sous-traitant figurant sur notre liste de sous-traitants. Il n'utilise pas vos contributions et résultats à d'autres fins que le traitement de votre demande.
• Cette fonctionnalité respecte les autorisations de votre instance (c'est-à-dire que vous devez avoir accès au ticket pour générer des suggestions de ticket enfant). Si vous ne voulez pas que votre contenu soit disponible dans les réponses générées par d'autres utilisateurs, demandez à l'administrateur de votre organisation de vérifier que vos autorisations sont correctement définies.

En savoir plus sur l'utilisation d'Atlassian Intelligence

La fonctionnalité Thèmes suggérés dans la base de connaissances est optimisée par de grands modèles de langage (LLM) développés par OpenAI et Anthropic, ainsi que par une combinaison de modèles de langage open source basés sur des transformateurs et d'autres modèles d'apprentissage machine. Ces LLM incluent la série de modèles GPT d'OpenAI et la série de modèles Claude d'Anthropic.

Atlassian Intelligence utilise ces modèles pour analyser et générer du langage naturel dans ses produits. Les modèles d'encodeurs open source convertissent vos entrées textuelles en formulaires numériques (intégrations), qui sont utilisés pour identifier et définir des thèmes à partir de vos contributions.

Ces grands modèles de langage génèrent des réponses en fonction de vos entrées et suivent une approche probabiliste. En d'autres termes, ils génèrent leurs réponses en prédisant le mot ou le texte suivant le plus probable, sur la base des données qui ont permis de les former.

Découvrez-en plus sur les fonctionnalités des modèles d'OpenAI et d'Anthropic. Pour plus d'informations sur les modèles de langage open source, consultez les informations sur Multi-QA-miniLM et E5-Multilingual.

Cette fonctionnalité aide les administrateurs et les agents à comprendre les lacunes de leur base de connaissances en analysant les demandes de service reçues dans le cadre d'un projet. Elle met clairement en avant les thèmes sur lesquels les personnes en quête d'aide créent des demandes (sur la base des données des 30 derniers jours), mais pour lesquels aucune connaissance n'est disponible. En suggérant des thèmes, nous souhaitons permettre aux administrateurs de projet et aux agents de déterminer le nombre de demandes pouvant être redirigées (ou du moins résolues) grâce aux connaissances disponibles.

Nous pensons que l'augmentation du nombre d'articles de connaissances influencera les performances des autres fonctionnalités de Jira Service Management, telles que les réponses AI de l'agent de service virtuel. Lorsque des administrateurs ou des agents créent des articles sur la fonctionnalité Thèmes suggérés, cela peut également contribuer à améliorer le taux de résolution des demandes résolues à l'aide des réponses AI.

Nous pensons que les thèmes suggérés fonctionnent mieux dans les scénarios suivants :

• Le nombre de demandes traitées en l'espace de 30 jours est compris entre 40 et 100 au minimum.
• Le contenu des demandes (comme le résumé, la description, les valeurs des champs, etc.) est principalement en anglais. La qualité des thèmes suggérés peut varier dans les autres langues.

Il est important de se rappeler qu'en raison de leur mode de fonctionnement, les modèles utilisés pour optimiser la fonctionnalité Thèmes suggérés dans la base de connaissances peuvent parfois se comporter de manière inexacte, incomplète ou peu fiable.

Par exemple, les réponses que vous recevrez peuvent ne pas refléter exactement le contenu sur lequel elles sont basées ou inclure du contenu qui semble raisonnable, mais qui est faux ou incomplet.

Nous avons constaté que la fonctionnalité Thèmes suggérés dans la base de connaissances est moins utile dans les scénarios suivants :

• Vous êtes à la recherche de thèmes pour un projet qui reçoit moins de 40 demandes par mois.
• Votre projet crée automatiquement des demandes à partir d'alertes, car elles ne nécessitent peut-être pas un article de la base de connaissances.
• Vous êtes à la recherche de thèmes pour des demandes dont le résumé, la description, les valeurs des champs, etc., sont rédigés dans une langue autre que l'anglais.

C'est pourquoi nous vous encourageons à réfléchir aux situations dans lesquelles vous utilisez Atlassian Intelligence et à évaluer la qualité des réponses reçues avant de les partager avec d'autres personnes.

Considérez également les points suivants :

• Demandes émises auprès des membres de l'équipe pour revoir les thèmes suggérés avant de créer des articles.
• Demandes émises auprès des administrateurs de projet pour identifier des experts au sein de leurs équipes afin de créer des articles de qualité dans la base de connaissances.

Vous avez probablement des questions sur la façon dont les thèmes suggérés utilisent vos données. Cette section complète les informations disponibles dans notre Trust Center.

Ce que nous traitons :

• Dans le cadre de la fonctionnalité, le contexte de votre instance (notamment les données d'une demande, telles que les valeurs des champs, le résumé et la description) est utile pour identifier des thèmes.
• Des données concernant la façon dont vous interagissez avec nos fonctionnalités, telles que les données relatives au parcours de navigation et aux personnes avec qui vous travaillez.
• Les commentaires que vous choisissez de fournir à propos de cette fonctionnalité, y compris les prompts ou réponses que vous choisissez de partager dans le cadre de vos commentaires.

En ce qui concerne vos données, la fonctionnalité Thèmes suggérés dans la base de connaissances applique les mesures suivantes.

Les thèmes suggérés pour vous dans la base de connaissances :

• ne sont pas disponibles pour les autres clients ;
• ne sont envoyés à aucun fournisseur de LLM tiers autre qu'OpenAI, Google ou Anthropic sur AWS Bedrock ;
• ne sont stockés par aucun fournisseur de LLM ;
• ne sont pas utilisés pour améliorer des LLM tiers ;
• sont uniquement utilisés pour améliorer votre expérience.
• OpenAI est un sous-traitant figurant sur notre liste de sous-traitants. Il n'utilise pas vos contributions et résultats à d'autres fins que le traitement de votre demande.
• Nous traitons uniquement les demandes accessibles à tous dans le cadre d'un projet de services pour votre site. Les demandes impliquant des autorisations au niveau des tickets ne sont pas prises en compte pour suggérer des thèmes.
• Nous actualisons la liste des thèmes suggérés tous les 7 jours pour nous assurer que les suggestions sont à jour.

En savoir plus sur l'utilisation d'Atlassian Intelligence

En savoir plus sur les thèmes suggérés dans la base de connaissances

La recherche de tickets à l'aide d'Atlassian Intelligence dans Jira est optimisée par de grands modèles de langage développés par OpenAI, Google et Anthropic, ainsi que par une combinaison de grands modèles de langage open source (dont les séries Llama, Phi et Mixtral) et d'autres modèles d'apprentissage machine. Ces grands modèles de langage incluent les séries GPT d'OpenAI, Gemini de Google et Claude d'Anthropic.

Atlassian Intelligence utilise ces modèles pour analyser et comprendre le langage naturel, puis le traduit en code Jira Query Language (JQL) à l'intérieur de nos produits.

Ces modèles génèrent des réponses en fonction de vos entrées et suivent une approche probabiliste. En d'autres termes, ils génèrent leurs réponses en prédisant le mot ou le texte suivant le plus probable, sur la base des données qui ont permis de les former.

En savoir plus sur les fonctionnalités des modèles d'OpenAI, de Google et d'Anthropic. Pour plus d'informations sur les modèles linguistiques open source, consultez les informations sur les séries Llama et Phi.

Vous pouvez désormais demander à Atlassian Intelligence ce que vous désirez en langage courant au lieu d'envoyer des requêtes complexes. En recherchant des tickets avec Atlassian Intelligence, votre message sera traduit en une requête JQL qui vous permettra de rechercher rapidement des problèmes spécifiques.

Nous pensons que la recherche de tickets à l'aide d'Atlassian Intelligence fonctionne mieux dans les scénarios où :

• vous recherchez des tickets Jira à l'aide des champs de ticket disponibles dans votre projet Jira
• la requête contient des champs et des valeurs spécifiques qui peuvent vous aider à affiner votre recherche de ticket
• vous recherchez des champs et des valeurs qui existent dans votre projet Jira
• votre requête est en anglais
• la requête est traduisible en JQL Comme Atlassian Intelligence convertit les invites en code JQL, il est probable que les entrées contenant des mots clés pouvant être traduits en JQL généreront de meilleurs résultats.

Il est important de rappeler qu'en raison du fonctionnement propre aux modèles utilisés pour rechercher des tickets à l'aide d'Atlassian Intelligence, ces modèles peuvent parfois se comporter de manière inexacte, incomplète ou peu fiable.

Par exemple, les réponses que vous recevrez peuvent ne pas refléter exactement le contenu sur lequel elles sont basées ou inclure du contenu qui semble raisonnable, mais qui est faux ou incomplet.

Nous avons découvert que la recherche de tickets à l'aide d'Atlassian Intelligence était moins utile dans les scénarios où :

• vous avez besoin d'informations actuelles et précises sur des personnes, des lieux et des faits ;
• vous recherchez des entités Jira ne constituant pas des tickets, comme des projets, des tableaux ou des utilisateurs
• vous recherchez dans une autre langue que l'anglais
• vous avez besoin de la recherche pour analyser les tickets et créer des graphiques, des résumés ou d'autres représentations de vos données
• la recherche nécessite des fonctions qui ne sont pas actuellement disponibles en JQL (par exemple, une question telle que « Trouver des tickets que j'ai commentés » qui ne peut pas être traduite en fonction JQL)

C'est pourquoi nous vous encourageons à réfléchir aux situations dans lesquelles vous utilisez Atlassian Intelligence et à évaluer la qualité des réponses reçues avant de les partager avec d'autres personnes.

Il vous sera également utile d'être aussi précis que possible dans les demandes adressées à Atlassian Intelligence. Veillez à inclure les champs et les valeurs exacts que vous recherchez.

Vous avez probablement des questions sur la façon dont la recherche de tickets avec Atlassian Intelligence utilise vos données. Cette section complète les informations disponibles sur notre page de FAQ.

Ce que nous traitons :

• Vos invites (entrées) et les réponses (sorties).
• le contexte de votre instance pertinent pour votre invite, par exemple le projet dans lequel vous vous trouvez actuellement
• Des données concernant la façon dont vous interagissez avec nos fonctionnalités, telles que les données relatives au parcours de navigation et aux personnes avec qui vous travaillez.
• Les commentaires que vous choisissez de fournir à propos de cette fonctionnalité, y compris les questions ou réponses que vous choisissez de partager dans le cadre de vos commentaires.

En ce qui concerne vos données, la recherche de tickets à l'aide d'Atlassian Intelligence applique les mesures suivantes :

• Vos invites (entrées) et les réponses (sorties) :
  • ne sont pas disponibles pour les autres clients ;

  • ne sont envoyés à aucun fournisseur de LLM tiers autre qu'OpenAI, Google ou Anthropic sur AWS Bedrock ;

  • ne sont stockés par aucun fournisseur de LLM ;
  • ne sont pas utilisés pour améliorer les modèles de LLM ;
  • sont uniquement utilisés pour améliorer votre expérience.

  • sont stockés dans notre base de données pendant 90 jours, et vos prompts vous seront renvoyés dans le cadre de votre historique de recherche.

• Tous les fournisseurs de LLM tiers sont des sous-traitants et sont répertoriés comme tels sur notre page consacrée aux sous-traitants. Ils n'utilisent pas vos contributions et résultats à d'autres fins que le traitement de votre demande.
• Les réponses à vos recherches seront basées sur les tickets et les champs auxquels vous avez accès (si vous n'avez pas accès à un projet Jira spécifique, par exemple, vous ne recevrez pas de résultats de recherche pour les tickets et les champs relatifs à ce projet).

Les types de demandes suggérés à l'aide d'Atlassian Intelligence sont optimisés par de grands modèles de langage développés par OpenAI. Ces LLM comprennent la série de modèles GPT d'OpenAI.

Atlassian Intelligence utilise ces modèles afin d'analyser les saisies en langage naturel et générer pour vous des recommandations concernant les noms et les descriptions des types de demande dans Jira Service Management.

Ces modèles génèrent des réponses en fonction de vos entrées et suivent une approche probabiliste. En d'autres termes, ils génèrent leurs réponses en prédisant le mot ou le texte suivant le plus probable, sur la base des données qui ont permis de les former.

En savoir plus sur les fonctionnalités des modèles d'OpenAI.

Passez moins de temps à réfléchir aux types de demande qu'il vous faut créer dans votre projet en bénéficiant de suggestions proposées par Atlassian Intelligence. Décrivez simplement vos activités ainsi que ce que gère votre équipe habituellement, afin de voir les types de demande que vous pourriez créer. Sélectionnez l'une des suggestions générées par Atlassian Intelligence afin de créer un type de demande. En savoir plus sur l'utilisation d'Atlassian Intelligence pour suggérer des types de demande.

Nous pensons que l'utilisation d'Atlassian Intelligence pour suggérer des types de demande fonctionne au mieux dans les scénarios où :

• vous disposez de cas d'utilisation très spécifiques auxquels les modèles de types de demande existants ne sont pas adaptés
• vous disposez d'exigences très générales et recherchez de nouvelles idées
• vous utilisez une langue parlée par un grand nombre de personnes (l'anglais ou l'espagnol, par exemple)

Il est important de rappeler qu'en raison du fonctionnement propre aux modèles utilisés pour suggérer des types de demande à l'aide d'Atlassian Intelligence, ces modèles peuvent parfois se comporter de manière inexacte, incomplète ou peu fiable.

Par exemple, les réponses que vous recevrez peuvent ne pas refléter exactement le contenu sur lequel elles sont basées ou inclure du contenu qui semble raisonnable, mais qui est faux ou incomplet.

Nous avons découvert que l'utilisation d'Atlassian Intelligence pour suggérer des types de demande est moins utile dans les scénarios où :

• vous avez besoin d'informations actuelles et précises sur des personnes, des lieux et des faits
• vous avez besoin de cette fonctionnalité pour accéder à des informations qui ne sont pas facilement accessibles (par exemple, dans votre instance) pour répondre correctement à votre demande
• vos instructions sont trop vagues ou ne sont pas pertinentes dans le cadre de la gestion des services
• la langue que vous utilisez n'est pas parlée par un grand nombre de personnes

C'est pourquoi nous vous encourageons à réfléchir aux situations dans lesquelles vous utilisez Atlassian Intelligence et à évaluer la qualité des réponses reçues avant de les partager avec d'autres personnes.

Considérez également les points suivants :

• Soyez aussi précis que possible dans les demandes que vous formulez à Atlassian Intelligence.

Vous avez probablement des questions sur la façon dont Atlassian Intelligence utilise vos données lors de la suggestion de types de demande. Cette section complète les informations disponibles sur notre page de FAQ.

Ce que nous traitons :

• Vos invites (entrées) et les réponses (sorties).
• le contexte de votre instance pertinent pour votre invite
• Des données concernant la façon dont vous interagissez avec nos fonctionnalités, telles que les données relatives au parcours de navigation et aux personnes avec qui vous travaillez.
• Les commentaires que vous choisissez de fournir à propos de cette fonctionnalité, y compris les questions ou réponses que vous choisissez de partager dans le cadre de vos commentaires.

En ce qui concerne vos données, la fonction de suggestion de types de demande d'Atlassian Intelligence applique les mesures qui suivent.

• Vos invites (entrées) et les réponses (sorties) :
  • ne sont pas disponibles pour les autres clients ;

  • ne sont pas envoyés à d'autres fournisseurs LLM tiers autre qu'OpenAI ;

  • ne sont stockés par aucun fournisseur de LLM ;
  • ne sont pas utilisés pour améliorer les modèles de LLM ;
  • sont uniquement utilisés pour améliorer votre expérience.
• Tous les fournisseurs de LLM tiers sont des sous-traitants et sont répertoriés comme tels sur notre page consacrée aux sous-traitants. Ils n'utilisent pas vos contributions et résultats à d'autres fins que le traitement de votre demande.
• Cette fonctionnalité utilise uniquement les informations provenant de vos instructions, de sorte que toutes les autorisations de Jira sont respectées.

L'outil de synthèse des domaines prioritaires est optimisé par les grands modèles de langage développés par OpenAI. Ils comprennent les modèles d'OpenAI décrits ici.

Atlassian Intelligence utilise ces modèles pour analyser et générer du langage naturel dans ses produits.

Ces modèles génèrent des réponses en fonction de vos entrées et suivent une approche probabiliste. En d'autres termes, ils génèrent leurs réponses en prédisant le mot ou le texte suivant le plus probable, sur la base des données qui ont permis de les former.

En savoir plus sur les fonctionnalités des modèles OpenAI

L'outil de synthèse des domaines prioritaires utilise Atlassian Intelligence pour fournir un résumé rapide et exploitable de votre domaine prioritaire, y compris le travail en cours, l'état de santé des objectifs associés, des suggestions sur les domaines à surveiller et des recommandations pour résoudre les éventuels problèmes.

L'outil de synthèse des domaines prioritaires fonctionne de manière optimale lorsque :

• Les mises à jour de vos domaines prioritaires et de vos objectifs sont complètes, précises et à jour, avec des descriptions suffisamment détaillées des réalisations, de l'avancement et des risques.
• Vous avez connecté tous les objectifs pertinents utilisés pour mesurer le succès directement au domaine prioritaire.
• Le domaine prioritaire est également connecté à des sous-domaines prioritaires disposant de leurs propres mises à jour pertinentes et connexions aux objectifs.

Il est important de garder à l'esprit qu'en raison du fonctionnement des modèles utilisés pour optimiser l'outil, ces derniers peuvent parfois se comporter de manière inadaptée, incomplète ou peu fiable.

Par exemple, les réponses que vous recevrez peuvent ne pas refléter exactement le contenu sur lequel elles sont basées ou inclure du contenu qui semble raisonnable, mais qui est faux ou incomplet.

Nous avons constaté que l'outil de synthèse des domaines prioritaires est moins utile dans les situations suivantes :

• Vous avez besoin d'informations actuelles et précises sur des personnes, des lieux et des faits.
• Vous avez besoin que vos mises à jour Focus aient accès à des informations qui ne sont pas facilement accessibles (par exemple, dans votre instance) pour répondre correctement à votre demande.
• Lorsque les mises à jour de vos domaines prioritaires et de vos objectifs sont incomplètes, manquantes ou peu détaillées. S'il n'y a aucune mise à jour ou si les mises à jour reposent uniquement sur des images ou sont mal rédigées, Atlassian Intelligence ne disposera pas du bon contexte pour générer un résumé précis.

C'est pourquoi nous vous encourageons à réfléchir aux situations dans lesquelles vous utilisez Atlassian Intelligence et à évaluer la qualité des réponses reçues avant de les partager avec d'autres personnes.

Vous avez probablement des questions sur la façon dont l'outil de synthèse des domaines prioritaires utilise vos données. Cette section complète les informations figurant dans notre Trust Center.

Ce que nous traitons :

• Vos prompts (contributions) et les réponses (résultats).
• Contexte de votre instance par rapport à votre prompt, tel que les mises à jour des domaines prioritaires et des objectifs, et les domaines prioritaires et objectifs connexes.
• Des données concernant la façon dont vous interagissez avec nos fonctionnalités, telles que les données relatives au parcours de navigation et aux personnes avec qui vous travaillez.
• Les commentaires que vous choisissez de fournir à propos de cette fonctionnalité, y compris les prompts ou réponses que vous choisissez de partager dans le cadre de vos commentaires.

En ce qui concerne vos données, l'outil de synthèse des domaines prioritaires applique les mesures suivantes.

• Vos prompts (contributions) et les réponses (résultats) :
  • ne sont pas disponibles pour les autres clients ;
  • ne sont pas envoyés à d'autres fournisseurs LLM tiers autre qu'OpenAI ;
  • ne sont pas stockés par OpenAI ;
  • ne sont pas utilisés pour améliorer OpenAI ;
  • sont uniquement utilisés pour améliorer votre expérience.
• OpenAI est un sous-traitant figurant sur notre liste de sous-traitants. Il n'utilise pas vos contributions et résultats à d'autres fins que le traitement de votre demande.
• Cette fonctionnalité respecte les autorisations de votre instance. Par exemple, si vous n'avez pas accès aux objectifs associés à vos domaines prioritaires dans Focus, ils ne seront pas inclus dans la réponse donnée.