Rovo zaprojektowano pod kątem przejrzystości

Wersje robocze AI bazują na dużych modelach językowych opracowanych przez OpenAI i Anthropic, a także na połączeniu modeli językowych opartych na transformatorach open source i innych modeli uczenia maszynowego. Te duże modele językowe obejmują serię modeli GPT OpenAI i serię modeli Claude firmy Anthropic.

Rovo wykorzystuje te modele do analizy i generowania języka naturalnego w naszych produktach. Modele kodujące open-source konwertują tekstowe dane wejściowe w formy numeryczne (osadzenia), które są używane do identyfikowania i przygotowania tematów na podstawie danych wejściowych.

Modele te generują odpowiedzi na podstawie danych wejściowych i mają charakter probabilistyczny. Oznacza to, że ich odpowiedzi są generowane przez przewidywanie najbardziej prawdopodobnego następnego słowa lub tekstu na podstawie danych, na których model był trenowany.

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Anthropic. Aby dowiedzieć się więcej o modelach językowych typu open source, zapoznaj się z informacjami na temat modeli osadzonych.

Wersje robocze AI sugerują wstępnie wygenerowane wersje robocze artykułów z bazy wiedzy do uwzględnienia przez administratorów i agentów. Funkcja ta generuje wersje robocze dla najczęściej występujących zgłoszeń w projekcie Jira Service Management, wykorzystując szczegóły i komentarze w ramach zgłoszeń w tym projekcie.

Umożliwia to zespołom obsługi szybsze i łatwiejsze zwiększanie zasięgu artykułów z bazy wiedzy, co z kolei korzystnie wpływa na wydajność innych funkcji Jira Service Management. Przykładowo artykuły z bazy wiedzy utworzone przy użyciu wersji roboczych AI mogą być następnie wykorzystywane przez funkcję odpowiedzi sztucznej inteligencji od wirtualnego agenta obsługi w celu łatwiejszego i szybszego rozstrzygania wniosków od osób poszukujących pomocy.

Przeczytaj więcej o odpowiedziach sztucznej inteligencji w wirtualnym agencie obsługi.

Uważamy, że wersje robocze AI działają najlepiej w scenariuszach, w których:

• Projekt otrzymuje ponad 40 wniosków w każdym miesiącu. Projekty z mniej niż 40 wnioskami mogą nie zawierać wystarczającej ilości informacji do utworzenia wersji roboczych AI.
• Treść zgłoszeń, taka jak podsumowanie, opis i inne pola, jest tworzona głównie w języku angielskim. Jakość wersji roboczych AI może być różna w przypadku innych języków.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych do obsługi wersji roboczych AI mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Przykładowo otrzymane odpowiedzi mogą nie odzwierciedlać dokładnie zawartości, na której zostały oparte, lub zawierać treści, które brzmią rozsądnie, jednak wprowadzają w błąd lub nie są wyczerpujące.

Z naszych doświadczeń wynika, że wersje robocze AI są mniej użyteczne w scenariuszach, w których:

• Projekt otrzymuje mniej niż 40 wniosków w miesiącu.
• Projekt automatycznie tworzy wnioski na podstawie alertów, ponieważ mogą one nie potrzebować artykułu z bazy wiedzy, ale funkcja nadal będzie sugerować Ci wersje robocze AI w odniesieniu do tych wniosków.
• Potrzebujesz wersji roboczych zgłoszeń w językach innych niż angielski.

Dlatego zachęcamy do przemyślenia, w jakich sytuacjach korzystasz z Rovo, a także do sprawdzania jakości uzyskanych odpowiedzi przed udostępnieniem ich innym.

Inne kwestie warte przemyślenia:

• Wprowadzenie odpowiednich środków gwarantujących, że członkowie zespołu dokładnie zapoznają się z wersjami roboczymi AI przed przystąpieniem do tworzenia artykułów z bazy wiedzy na ich podstawie.
• Zwrócenie się do administratorów projektu o wskazanie w zespołach ekspertów, którzy będą odpowiedzialni za przeglądanie i edytowanie wersji roboczych AI w celu utrzymania wysokiej jakości artykułów z bazy wiedzy.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki wersje robocze AI wykorzystują Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszym Centrum zaufania.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst instancji istotny dla funkcji, taki jak dane w zgłoszeniu, np. wartości pól, podsumowanie i opis, w celu wygenerowania wersji roboczych za pomocą Rovo.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie prompty lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Funkcja wersji roboczych AI stosuje poniższe środki w odniesieniu do Twoich danych.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów
  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI lub Anthropic w usłudze AWS Bedrock.
  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są wykorzystywane do ulepszania jakichkolwiek zewnętrznych LLM.
  • są wykorzystywane tylko do obsługi Twojego środowiska.
• OpenAI i AWS Bedrock są podrzędnymi podmiotami przetwarzającymi znajdującymi się na naszej liście podrzędnych podmiotów przetwarzających. Podmioty te nie wykorzystują Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem wniosku.
• Przetwarzamy tylko zgłoszenia, które są dostępne dla wszystkich w projekcie usługowym w Twojej witrynie. Zgłoszenia objęte uprawnieniami nie są uwzględniane przy generowaniu wersji roboczych.
• Odświeżamy wersje robocze AI co 7 dni, aby treść była aktualna.

Dowiedz się więcej o korzystaniu z Rovo

Podsumowania AI na kartach centrum firmy opierają się na dużych modelach językowych opracowanych przez OpenAI. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI.

Rovo wykorzystuje te modele do analizy i generowania języka naturalnego w naszych produktach.

Modele te generują odpowiedzi na podstawie danych wejściowych i mają charakter probabilistyczny. Oznacza to, że ich odpowiedzi są generowane przez przewidywanie najbardziej prawdopodobnego następnego słowa lub tekstu na podstawie danych, na których model był trenowany.

Przeczytaj więcej o możliwościach modeli OpenAI.

Podsumowania SI na kartach centrum firmy pomagają szybko wypełnić i opublikować centrum firmy, sugerując generowane przez sztuczną inteligencję opisy kart. Funkcja ta wykorzystuje sztuczną inteligencję do wygenerowania podsumowania powiązanej strony Confluence lub wpisu na blogu na potrzeby karty centrum firmy.

Uważamy, że podsumowania AI na kartach centrum firmy działają najlepiej w scenariuszach, w których:

• Chętnie używasz kart centrum firmy w Confluence, aby odsyłać do treści zawierających dużo tekstu.
• Potrzebujesz zwięzłego podsumowania treści Confluence o dużej zawartości tekstu, które będzie wyświetlane w opisach kart Confluence.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych przez funkcję podsumowań AI na kartach centrum firmy mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Przykładowo otrzymane odpowiedzi mogą nie odzwierciedlać dokładnie zawartości, na której zostały oparte, lub zawierać treści, które brzmią rozsądnie, jednak wprowadzają w błąd lub nie są wyczerpujące.

Z naszych doświadczeń wynika, że funkcja podsumowań AI na kartach centrum firmy jest mniej użyteczna w scenariuszach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• Potrzebujesz podsumowania bardzo krótkiej strony Confluence, na której nie ma wystarczającej ilości treści do wygenerowania przydatnego podsumowania.
• potrzebujesz podsumowania strony Confluence, na której większość treści znajduje się w tabelach lub rozszerzeniach;
• potrzebujesz podsumowania strony Confluence, na której większość treści znajduje się w makrach.

Dlatego zachęcamy do przemyślenia, w jakich sytuacjach korzystasz z Rovo, a także do sprawdzania jakości uzyskanych odpowiedzi przed udostępnieniem ich innym.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki funkcja podsumowań AI na kartach centrum firmy wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszym Centrum zaufania.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst instancji odpowiedni do podpowiedzi, np. treść ze strony Confluence, którą chcesz podsumować.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie prompty lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Funkcja podsumowań AI na kartach centrum firmy stosuje poniższe środki w odniesieniu do Twoich danych.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI.
  • nie są przechowywane przez żadnego dostawcę LLM;
  • Nie są używane do ulepszania dużych modeli językowych.
  • są wykorzystywane tylko do obsługi Twojego środowiska.
• OpenAI jest podrzędnym podmiotem przetwarzającym znajdującym się na naszej liście podrzędnych podmiotów przetwarzających. Nie wykorzystuje Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem wniosku.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Jeśli na przykład nie masz dostępu do strony Confluence, nie będziesz mieć możliwości skorzystania z tej funkcji, aby uzyskać podsumowanie za pomocą Rovo. Jeśli nie chcesz, aby Twoje treści były dostępne dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Dowiedz się więcej o korzystaniu z Rovo

Rovo Dev is powered by large language models developed by OpenAI and Anthropic on AWS Bedrock and Anthropic on Google Vertex AI, as well as a combination of other machine learning models. These large language models include OpenAI's GPT series of models and Anthropic's Claude series of models.

Rovo Dev uses these models to analyze and generate natural language and code within our products.

These models generate responses based on your inputs and are probabilistic in nature. This means that their responses are generated through predicting the most probable next word or text based on the data that they have been trained on.

Read more about the capabilities of OpenAI's models and Anthropic's models.

Rovo Dev is a context-aware AI agent for professional software engineers. It understands natural language and code, and integrates with Atlassian tools like Jira, Confluence, and Bitbucket as well as third-party developer platforms such as GitHub. Powered by Atlassian’s Teamwork Graph, it draws on organizational context, business knowledge, and codebase history to accelerate the software development lifecycle. Rovo Dev assists with planning, code generation, reviews, and automating repetitive work at scale.

The Rovo Dev product suite includes:

• Rovo Dev in Bitbucket and GitHub: Rovo Dev integrates with both Bitbucket and GitHub to check pull requests against both technical requirements and business objectives. It helps you to spot potential issues before they reach production and checks that code changes align with Jira acceptance criteria, reducing review cycles and preventing rework.

• Rovo Dev CLI: Rovo Dev CLI brings Rovo Dev directly into your command line interface, turning your terminal into an AI development agent that is seamlessly integrated with your Atlassian workflow.

We believe that Rovo Dev works best in scenarios where:

• You need assistance with coding tasks such as writing new code, debugging existing code, or understanding complex codebases.
• You want automated code review feedback on pull requests to catch potential issues and improve code quality.
• You need help with common development tasks like refactoring, testing, or documentation
• You want to resolve Jira work items more efficiently by automating code changes in linked repositories.
• Your development team wants to maintain consistent coding standards and best practices.

It's important to remember that because of the way that the models used to power Rovo Dev work, these models can sometimes behave in ways that are inaccurate, incomplete, or unreliable.

For example, the responses that you receive might not accurately reflect the content that they are based on, or include content that sounds reasonable but is false or incomplete.

We've found that Rovo Dev is less useful in scenarios where:

• You need current and accurate information about people, places and facts that are not contained within your codebase, development context, or reachable Atlassian content such as Confluence pages or Jira issues.
• You need Rovo Dev to have access to information that isn't readily available in your repository, development environment, or linked Atlassian tools.
• You need perfect accuracy for safety-critical or security-sensitive code without human review because Rovo Dev should not be used in these scenarios.
• You're working with proprietary or highly confidential code patterns that weren't part of the model's training data. You might not find Rovo Dev helpful when working with very new technologies that weren't included in the model's training data, because Rovo Dev may not have sufficient context on those technologies to provide useful outputs.
• Rovo Dev should not be used as the sole method for security reviews, compliance checks, or in scenarios where code correctness is critical for safety or regulatory requirements without appropriate human oversight.

• For this reason, we encourage you to think about the situations when you use Rovo Dev and review the quality of the responses you receive before implementing suggested changes or sharing them with others.

You might also want to think about:

• Being as specific as possible in what you ask Rovo Dev to do, including providing clear context about your codebase and requirements.
• Reviewing and testing any code changes suggested by Rovo Dev before committing them to your repository.
• Ensuring your development environment has appropriate permissions and access controls configured.
• Keeping your repository documentation and code comments up to date to provide better context for AI assistance.
• Using Rovo Dev as a collaborative tool alongside human code review rather than a replacement for it.

We understand you may have questions about how Rovo Dev uses your data. This section supplements the information available on our Rovo Dev Page.

We process:

• Your prompts (inputs) and responses (outputs) when interacting with Rovo Dev
• Context from your development environment relevant to your prompt, such as code files and pull requests in Bitbucket, Jira work items, content from connected third-party apps such as Github or connected MCP servers, or local files on your device (if using RovoDev CLI)
• Data about how you interact with our features, such as command usage patterns and the development tools you work with

• Feedback you choose to provide about this feature, including any prompts or responses you choose to share as part of your feedback

When it comes to your data, Rovo Dev applies the following measures:

Your prompts (inputs) and responses (outputs):

• Are not available to other customers
• Are not sent to any third party LLM provider other than OpenAI, Google Vertex AI, and Anthropic on AWS Bedrock
• Are not stored by OpenAI, Google Vertex AI or Anthropic on AWS Bedrock
• Are not used to improve OpenAI or Anthropic models

• Are used only to serve your experience

Third-party processing:

• OpenAI, Google Vertex AI, and Amazon Web Services (AWS Bedrock) are subprocessors on our List of Subprocessors. They do not use your inputs and outputs for any purpose besides processing your request.

Permissions and access:

• Rovo Dev follows the permissions in your development environment and connected Atlassian tools. For example, if you do not have access to certain repositories or Jira projects, Rovo Dev will not access content from those sources when generating responses.
• If you do not want your code or content to be available in responses to other users in your organization, please work with your system administrators to ensure your permissions and access controls are set appropriately.

• In Rovo Dev CLI, users are able to add third-party Model Context Protocol (MCP) servers to provide Rovo Dev with access to third party content. Integration with any third-party MCP server requires approval from your user and you must ensure that you comply with any third-party terms of use. Users can enter prompts to send data outside of your Atlassian site, and data sent outside your site will not be subject to Atlassian terms.

Discover more about using Rovo Dev

Rovo Dev Community Group

Podsumowanie stron i blogów za pomocą sztucznej inteligencji opiera się na dużych modelach językowych opracowanych przez OpenAI i Google. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI i serię modeli Gemini firmy Google.

Rovo wykorzystuje te modele do analizy i generowania języka naturalnego w naszych produktach.

Modele te generują odpowiedzi na podstawie danych wejściowych i mają charakter probabilistyczny. Oznacza to, że ich odpowiedzi są generowane przez przewidywanie najbardziej prawdopodobnego następnego słowa lub tekstu na podstawie danych, na których model został przeszkolony.

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Google.

Oszczędzaj czas i uzyskuj szczegóły potrzebne do szybszego wykonywania pracy, generując krótkie podsumowania stron lub blogów Confluence za pomocą sztucznej inteligencji.Dowiedz się więcej o korzystaniu ze sztucznej inteligencji w Confluence.

Naszym zdaniem podsumowywanie stron i blogów za pomocą Rovo najlepiej sprawdza się wówczas, gdy:

• istnieje strona z obszernym tekstem, której przeczytanie zajmuje 5 minut lub więcej;
• istnieje wiele treści pisanych, z ograniczoną grafiką lub innym formatowaniem, takim jak rozszerzenia na stronie.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych do podsumowywania stron i blogów za pomocą sztucznej inteligencji mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Na przykład otrzymane odpowiedzi mogą nie odzwierciedlać dokładnie treści, na której zostały oparte, lub zawierać treść, która brzmi rozsądnie, jednak wprowadza w błąd lub nie jest wyczerpująca.

Chociaż nadal pracujemy nad lepszą obsługą makr i tabel oraz rozszerzamy podsumowania, ustaliliśmy, że podsumowywanie stron i blogów za pomocą Rovo jest mniej przydatne w scenariuszach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• potrzebujesz podsumowania bardzo krótkiej strony Confluence, na której nie ma wystarczającej ilości treści;
• potrzebujesz podsumowania strony Confluence, na której większość treści znajduje się w tabelach lub rozszerzeniach;
• potrzebujesz podsumowania strony Confluence, na której większość treści znajduje się w makrach.

Zachęcamy do przemyślenia, w jakich sytuacjach korzystasz z Rovo, a także do sprawdzania jakości uzyskanych odpowiedzi przed ich udostępnieniem.

Inne kwestie warte przemyślenia:

• Proszenie Rovo o podsumowanie stron, o których wiesz, że zawierają dużo tekstu.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki sztuczna inteligencja wykorzystuje Twoje dane do automatyzacji Confluence. Ta sekcja stanowi uzupełnienie informacji dostępnych na naszej stronie z często zadawanymi pytaniami.

Przetwarzamy:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe);

• Kontekst instancji odpowiedni do podpowiedzi, np. treść ze strony Confluence, którą chcesz podsumować.

• Dane dotyczące interakcji z naszymi funkcjami, takie jak dane przepływu użytkowników i osób, z którymi współpracujesz

• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Jeśli chodzi o Twoje dane, to podczas podsumowywania stron i blogów za pomocą Rovo stosowane są następujące środki:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI i Google;

  • Nie są przechowywane przez żadnego dostawcę LLM.

  • Nie są używane do ulepszania modeli LLM.
  • są wykorzystywane tylko do obsługi Twojego środowiska.
• Wszyscy zewnętrzni dostawcy LLM są podwykonawcami przetwarzania znajdującymi się na naszej stronie podwykonawców przetwarzania. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Przykładowo jeśli nie masz dostępu do strony Confluence, nie będziesz widzieć tej funkcji ani nie będziesz w stanie podsumować strony za pomocą Rovo. Jeśli nie chcesz, aby Twoje treści były dostępne dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Definiowanie terminów z wykorzystaniem Rovo w Confluence i Jirze opiera się na dużych modelach językowych opracowanych przez OpenAI, Google i Anthropic, a także na połączeniu dużych modeli językowych typu open-source (w tym serii Llama i Mixtral) oraz innych modeli uczenia maszynowego. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI, Gemini firmy Google i Claude firmy Anthropic.

Rovo wykorzystuje te modele do analizy i generowania odpowiedzi w języku naturalnym w Confluence i Jirze.

Modele te generują odpowiedzi na podstawie danych wejściowych i mają charakter probabilistyczny. Oznacza to, że ich odpowiedzi są generowane przez przewidywanie najbardziej prawdopodobnego następnego słowa lub tekstu na podstawie danych, na których model został przeszkolony.

Dowiedz się więcej o możliwościach modeli OpenAI, modeli Google i modeli Anthropic. Aby dowiedzieć się więcej o modelach językowych typu open source, zapoznaj się z informacjami na temat serii Llama.

Jedną z najtrudniejszych rzeczy związanych z korzystaniem z treści w Confluence i Jira może być zdobycie kontekstu potrzebnego do zrozumienia tego, co czytasz. Skróty, akronimy, nieznane terminy oraz nazwy specyficzne dla zespołu lub projektu mogą wymagać czasochłonnego wyszukiwania potrzebnych informacji.

Funkcja definiowania terminów za pomocą Rovo pozwala uzyskać definicję terminów specyficznych dla danej firmy (np. akronimów, nazw projektów, systemów lub zespołów) na stronie w Confluence lub w opisie zgłoszenia w Jirze. Dzięki temu użytkownik otrzymuje niezbędne informacje wtedy, kiedy ich potrzebuje, a wszystko to pomaga zespołom sprawniej współpracować.

Rovo pozwala oszczędzać czas, ponieważ definiuje terminy za Ciebie, dzięki czemu nie musisz przerywać lektury.

Jeśli napotkasz definicję, którą uważasz za niedokładną, możesz edytować lub dodać nową definicję, a następnie ustawić widoczność dla tej strony lub tego zgłoszenia, całej przestrzeni lub projektu bądź uzyskać dostęp do całej organizacji.

Naszym zdaniem definiowanie terminów za pomocą Rovo w Confluence i Jirze najlepiej sprawdza się w sytuacjach, gdy:

• Firma ma wiele stron w swojej instancji Confluence, na których wspomniano, opisano lub wyjaśniono, do jakiego konkretnie terminu Rovo może się odwołać.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych do definiowania odpowiedzi za pomocą Rovo w Confluence mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Przykładowo otrzymane odpowiedzi mogą nie odzwierciedlać dokładnie zawartości, na której zostały oparte, lub zawierać treści, które brzmią rozsądnie, jednak wprowadzają w błąd lub nie są wyczerpujące.

Ustaliliśmy, że użycie sztucznej inteligencji do definiowania terminów w Confluence jest mniej przydatne w sytuacjach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• nie masz wystarczającego kontekstu dotyczącego terminu w tej instancji Confluence (przykładowo jeśli nie ma stron wymieniających konkretny termin, definicja tego terminu nie zostanie wygenerowana w sposób poprawny);
• Definicja wymaga dostępu do treści Confluence, do których przeglądania nie masz uprawnień
• próbujesz zdefiniować kilka terminów zamiast jednego terminu naraz.

Ponadto zauważyliśmy, że ponieważ definiowanie terminów za pomocą Rovo opiera się na wyszukiwaniu w Confluence, funkcja ta będzie działać w Jirze tylko wtedy, gdy masz uprawnienie do wyświetlania instancji Confluence w tej samej witrynie co instancji Jiry.

Może się również zdarzyć, że definiowanie terminów za pomocą Rovo nie będzie działać zgodnie z oczekiwaniami w przestrzeniach Confluence lub instancjach Jiry, które zawierają treści napisane w wielu językach.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki Rovo wykorzystuje Twoje dane podczas definiowania terminów. Ta sekcja stanowi uzupełnienie informacji dostępnych na naszej stronie z często zadawanymi pytaniami.

Przetwarzamy:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst instancji odpowiedni do podpowiedzi, np. termin, który chcesz zdefiniować.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane przepływu użytkowników i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Jeśli chodzi o Twoje dane, to podczas definiowania terminów za pomocą Rovo stosowane są następujące środki:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.

  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI, Google lub Anthropic w usłudze AWS Bedrock.

  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania modeli LLM.
  • są wykorzystywane tylko do obsługi Twojego środowiska.
• Wszyscy zewnętrzni dostawcy LLM są podwykonawcami przetwarzania znajdującymi się na naszej stronie podwykonawców przetwarzania. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z aktualnymi uprawnieniami dostępu użytkownika, co oznacza, że użytkownicy nie otrzymają definicji na podstawie treści, do których nie mają dostępu. Zamiast tego funkcja ściąga treści i definicje tylko ze stron i projektów, do których wyświetlania ma uprawnienia użytkownik w instancji. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.
• Jeśli użytkownik ręcznie edytuje lub aktualizuje definicję, jest ona przechowywana przez 1 rok.

Sztuczna inteligencja w edytorach opiera się na dużych modelach językowych opracowanych przez OpenAI i Google. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI i serię modeli Gemini firmy Google.

Rovo wykorzystuje te modele do analizy i generowania języka naturalnego w naszych produktach.

Modele te generują odpowiedzi na podstawie danych wejściowych i mają charakter probabilistyczny. Oznacza to, że ich odpowiedzi są generowane przez przewidywanie najbardziej prawdopodobnego następnego słowa lub tekstu na podstawie danych, na których model został przeszkolony.

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Google.

Rovo pomaga prowadzić skuteczną komunikację we wszystkich zespołach w organizacji w celu poprawy wydajności oraz usprawnienia procesów i podejmowania decyzji.

Naszym zdaniem wykorzystanie Rovo w edytorach najlepiej sprawdza się w następujących scenariuszach:

• Przekształcanie istniejących treści na potrzeby różnych odbiorców. Rovo pomaga zmieniać ton wypowiedzi, poprawiać styl i modyfikować informacje techniczne, aby ułatwić innym zespołom ich zrozumienie. Najlepiej sprawdza się to w przypadku zespołów, które chcą pisać bardziej profesjonalnie i zwięźle.
• Podsumowywanie istniejących treści. Dzięki Rovo można przekształcać luźne notatki w przydatną dokumentacja strategiczną, artykuły z bazy wiedzy, plany kampanii i tym podobne materiały. Rovo pozwala też na analizę istniejących informacji w celu zdefiniowania planów działań i czynności do wykonania. Najlepiej sprawdza się to w przypadku stron z dużą ilością tekstu, z których można czerpać obszerny kontekst.
• Generowanie nowych treści. Rovo pomaga tworzyć nowe treści, takie jak strony strategii, przeglądy projektów, uwagi do wydania lub historyjki użytkowników. Najlepiej sprawdza się to, gdy zespoły używają jasnych, konkretnych promptów z myślą o określonym celu.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych przez sztuczną inteligencję w edytorach mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Przykładowo otrzymane odpowiedzi mogą nie odzwierciedlać dokładnie treści, na której zostały oparte, lub zawierać treść, która brzmi rozsądnie, jednak wprowadza w błąd lub nie jest wyczerpująca.

Ustaliliśmy, że wykorzystanie Rovo w edytorach jest mniej przydatne w sytuacjach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• w celu uzyskania poprawnej odpowiedzi potrzebujesz dostępu do informacji, które nie są łatwo dostępne (przykładowo znajdują się w Twojej powiązanej bazie wiedzy);
• chcesz wygenerować treści w formacie innym niż standardowy Markdown (na przykład w celu wygenerowania panelu informacyjnego od zera);
• chcesz odwołać się do informacji, które nie znajdują się jeszcze obecne w edytowanym dokumencie (przykładowo treści znajdujące się w innym dokumencie lub produkcie).
• chcesz wygenerować i przekształcić treści w językach innych niż angielski.

Dlatego zachęcamy do przemyślenia, w jakich sytuacjach korzystasz z Rovo, a także do sprawdzania jakości uzyskanych odpowiedzi przed udostępnieniem ich innym.

Inne kwestie warte przemyślenia:

• Jak najbardziej konkretne formułowanie poleceń dla Rovo.
• podzielenie złożonych wniosków na mniejsze zadania, którymi łatwiej zarządzać;
• włączenie odpowiednich słów kluczowych, aby poprawić dokładność generowanych treści;
• użycie poprawnej gramatyki i interpunkcji we wprowadzanym tekście;
• korekta, weryfikacja i edycja danych wyjściowych wygenerowanych przez asystenta pisania SI w celu uzyskania dokładności i przejrzystości;
• eksperymentowanie z różnymi podpowiedziami lub odmianami tekstu wejściowego w celu zbadania różnych pomysłów;
• współpraca z innymi osobami w celu zebrania opinii i poprawy jakości danych wyjściowych.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki sztuczna inteligencja wykorzystuje Twoje dane w edytorach. Ta sekcja stanowi uzupełnienie informacji dostępnych na naszej stronie z często zadawanymi pytaniami.

Przetwarzamy:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst instancji odpowiedni do promptu, np. produkt, z którego uruchomiono Rovo.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane przepływu użytkowników i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Jeśli chodzi o Twoje dane, to podczas edytowania za pomocą Rovo stosowane są następujące środki:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.

  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI i Google;

  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania modeli LLM.
  • są wykorzystywane tylko do obsługi Twojego środowiska.
• Wszyscy zewnętrzni dostawcy LLM są podwykonawcami przetwarzania znajdującymi się na naszej stronie podwykonawców przetwarzania. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Na przykład jeśli nie masz dostępu do określonej strony Confluence, otrzymana odpowiedź nie będzie zawierać sugerowanej treści z tej strony. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Narzędzie do zmiany formatu zgłoszeń jest obsługiwane przez duże modele językowe opracowane przez OpenAI, w tym serię modeli GPT OpenAI.

Rovo wykorzystuje ten model do analizy i generowania języka naturalnego w Jirze.

Te modele generują odpowiedzi na podstawie danych wejściowych i mają charakter probabilistyczny. Oznacza to, że ich odpowiedzi są generowane przez przewidywanie najbardziej prawdopodobnego następnego słowa lub tekstu na podstawie danych, na których model był trenowany.

Przeczytaj więcej o możliwościach modeli OpenAI.

Narzędzie do zmiany formatu zgłoszeń pomaga poprawić przejrzystość opisów zgłoszeń w Jirze poprzez ponowne formatowanie ich przy użyciu szablonu opracowanego przez firmę Atlassian. Ten szablon obejmuje typy informacji, których zwykle można spodziewać się w opisie zgłoszenia Jira, takie jak historyjka użytkownika, kontekst pracy i kryteria akceptacji.

Uważamy, że narzędzie zmiany formatu zgłoszeń działa najlepiej w scenariuszach, w których opisy zgłoszeń już zawierają przydatne informacje (takie jak kryteria akceptacji lub łącza do źródeł), ale informacje te nie są sformatowane przy użyciu przejrzystej lub spójnej struktury.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych do obsługi narzędzia do zmiany formatu zgłoszeń, mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Przykładowo opis po zmianie formatowania może nie odzwierciedlać dokładnie treści, na której został oparty, lub zawierać szczegóły, która brzmią rozsądnie, jednak są nieprawdziwe lub niekompletne.

Z naszych doświadczeń wynika, że narzędzie do zmiany formatu zgłoszeń jest mniej użyteczne w scenariuszach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• Opisy zgłoszeń nie zawierają zbyt wielu informacji, ponieważ istnieje większe prawdopodobieństwo, że modele obsługujące narzędzie do zmiany formatu zgłoszeń mogą dodać informacje, które nie były zawarte w pierwotnym opisie.

Dlatego zachęcamy do przemyślenia, w jakich sytuacjach korzystasz z Rovo, a także do sprawdzania jakości uzyskanych odpowiedzi przed ich udostępnieniem. Dobrym pomysłem może być przejrzenie i zweryfikowanie, czy opisy zgłoszeń zawierają wszystkie istotne informacje, zanim zaczniesz używać narzędzia do zmiany formatu zgłoszeń.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki narzędzie do zmiany formatu zgłoszeń wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszym Centrum zaufania.

Przetwarzamy:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst instancji odpowiedni do polecenia, taki jak opis i podsumowanie zgłoszenia Jira.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane przepływu użytkowników i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Podczas korzystania z narzędzia do zmiany formatu zgłoszeń wobec Twoich danych stosowane są wymienione poniżej środki:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • nie są dostępne dla innych klientów;
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI;
  • nie są przechowywane przez OpenAI;
  • nie są używane do ulepszania modeli OpenAI.
  • są wykorzystywane tylko do obsługi Twojego środowiska.
• OpenAI jest podwykonawcą przetwarzania znajdującym się na naszej liście podwykonawców przetwarzania. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja wykorzystuje tylko informacje dostępne w zgłoszeniu Jira i jest wywoływana w zgłoszeniu Jira. Dlatego może być wywoływana tylko przez użytkownika, który ma uprawnienia do przeglądania zgłoszenia i nie będzie miał dostępu do żadnych innych informacji.

Dowiedz się więcej o korzystaniu z Rovo

Podsumowywanie szczegółów zgłoszenia za pomocą sztucznej inteligencji jest oparte na dużych modelach językowych opracowanych przez OpenAI i Google. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI i serię modeli Gemini firmy Google.

Rovo wykorzystuje te modele do analizy i generowania języka naturalnego w naszych produktach.

Modele te generują odpowiedzi na podstawie danych wejściowych i mają charakter probabilistyczny. Oznacza to, że ich odpowiedzi są generowane przez przewidywanie najbardziej prawdopodobnego następnego słowa lub tekstu na podstawie danych, na których model został przeszkolony.

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Google.

Zamiast czytać długie opisy i liczne komentarze na temat zgłoszenia Jira Service Management możesz użyć Rovo w celu szybkiego wygenerowania podsumowania tych informacji. Dzięki temu agenci mogą szybko zapoznać się z kontekstem zgłoszenia i wszelkimi postępami, co pozwala im podejmować niezwłoczne działania i szybko udzielać pomocy.

Naszym zdaniem podsumowywanie szczegółów zgłoszenia za pomocą Rovo najlepiej sprawdza się w następujących przypadkach:

• Zgłoszenia z opisem i komentarzami w języku angielskim.
• Zgłoszenia z dużą liczbą komentarzy bądź długimi komentarzami lub opisami.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych do podsumowywania szczegółów zgłoszenia za pomocą sztucznej inteligencji mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Przykładowo otrzymane odpowiedzi mogą nie odzwierciedlać dokładnie zawartości, na której zostały oparte, lub zawierać treści, które brzmią rozsądnie, jednak wprowadzają w błąd lub nie są wyczerpujące.

Z naszych doświadczeń wynika, że podsumowanie szczegółów zgłoszenia przy użyciu Rovo jest mniej przydatne w następujących sytuacjach:

• Użytkownik posługuje się językiem innym niż angielski
• Zgłoszenie nie ma historii lub szczegółów

Dlatego zachęcamy do przemyślenia, w jakich sytuacjach korzystasz z Rovo, a także do sprawdzania jakości uzyskanych odpowiedzi przed udostępnieniem ich innym.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki sztuczna inteligencja wykorzystuje Twoje dane podczas podsumowywania szczegółów zgłoszenia. Ta sekcja stanowi uzupełnienie informacji dostępnych na naszej stronie z często zadawanymi pytaniami.

Przetwarzamy:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst instancji odpowiedni do polecenia zawiera szczegółowe informacje o zgłoszeniu Jira Service Management, np. opis zgłoszenia, komentarze i użytkownicy objęci zgłoszeniem.
• Dane dotyczące interakcji z naszymi funkcjami, takie jak dane przepływu użytkowników i osób, z którymi współpracujesz
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Podczas podsumowywania szczegółów zgłoszenia za pomocą Rovo w odniesieniu do Twoich danych stosowane są następujące środki:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.

  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI, Google lub Anthropic w usłudze AWS Bedrock.

  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania modeli LLM.
  • są wykorzystywane tylko do obsługi Twojego środowiska.
• Wszyscy zewnętrzni dostawcy LLM są podrzędnymi podmiotami przetwarzającymi i są wymienieni na naszej stronie Podrzędne podmioty przetwarzające. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Tylko agenci i administratorzy projektu widzą przycisk podsumowania.

Podsumowywanie inteligentnych łączy wykorzystujące Atlassian Intelligence (AI) opiera się na dużych modelach językowych opracowanych przez OpenAI, Google i Anthropic, a także na połączeniu dużych modeli językowych typu open source (w tym serii Llama, Phi i Mixtral) oraz innych modeli uczenia maszynowego. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI, Gemini firmy Google i Claude firmy Anthropic.

Atlassian Intelligence wykorzystuje te modele do analizy i generowania języka naturalnego w naszych produktach.

Modele te generują odpowiedzi na podstawie danych wejściowych i mają charakter probabilistyczny. Oznacza to, że ich odpowiedzi są generowane przez przewidywanie najbardziej prawdopodobnego następnego słowa lub tekstu na podstawie danych, na których model został przeszkolony.

Dowiedz się więcej o możliwościach modeli OpenAI, modeli Google i modeli Anthropic. Aby dowiedzieć się więcej o modelach językowych typu open source, zobacz informacje na temat serii Llama i serii Phi.

Po najechaniu kursorem na inteligentne łącze z Jira, Confluence i Dokumentów Google Atlassian Intelligence może pomóc Ci w podsumowaniu treści, co pozwala określić znaczenie i wartość łącza oraz zdecydować o następnym kroku. Zmniejsza to potrzebę opuszczenia bieżącej strony i zmiany kontekstu.

Uważamy, że podsumowywanie inteligentnych łączy za pomocą SI działa najlepiej w scenariuszach, w których:

• Przeglądasz stronę lub zgłoszenie z co najmniej jednym inteligentnym łączem.
• Przeglądasz stronę lub zgłoszenie z co najmniej jednym inteligentnym łączem zawierającym dużo informacji lub skomplikowaną treść. Zapoznanie się z tym materiałem może zająć dużo czasu bądź odciągnąć Twoją uwagę od głównej treści, która Cię interesowała.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych przy podsumowywaniu inteligentnych łączy dzięki SI, mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Otrzymane podsumowania mogą na przykład nie odzwierciedlać dokładnie treści, na której zostały oparte, lub zawierać treści, które brzmią rozsądnie, jednak wprowadzają w błąd lub nie są wyczerpujące.

Odkryliśmy, że podsumowywanie inteligentnych łączy za pomocą SI jest mniej przydatne w scenariuszach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• musisz podsumować treści, które są niezwykle krótkie;
• Musisz podsumować wszystkie metadane i treść w jakimś łączu. Jeżeli na przykład chcesz zrozumieć wszystkie wartości pól w zgłoszeniu Jira, a także jego opis i treść komentarza.

Dlatego zachęcamy do przemyślenia, w jakich sytuacjach korzystasz z Atlassian Intelligence, a także do sprawdzania jakości uzyskanych odpowiedzi przed udostępnieniem ich innym.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki Atlassian Intelligence wykorzystuje Twoje dane podczas podsumowywania szczegółów zgłoszenia. Ta sekcja stanowi uzupełnienie informacji dostępnych na stronie często zadawanych pytań.

Przetwarzamy:

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe);
• kontekst instancji odpowiedni do polecenia, np. treść łącza, które chcesz podsumować;
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane przepływu użytkowników i osób, z którymi współpracujesz;
• informację zwrotną, którą chcesz przekazać na temat tej funkcji, w tym wszelkie odpowiedzi udostępniane przez Ciebie w ramach dostarczanej informacji zwrotnej.

Jeśli chodzi o Twoje dane, podczas podsumowywania inteligentnych łączy za pomocą SI stosuje się wymienione poniżej środki.

• Twoje podsumowania:
  • Nie są dostępne dla innych klientów.

  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI, Google lub Anthropic w usłudze AWS Bedrock.

  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania modeli LLM.
  • są wykorzystywane tylko do obsługi Twojego środowiska.
• Wszyscy zewnętrzni dostawcy LLM są podrzędnymi podmiotami przetwarzającymi i są wymienieni na naszej stronie Podrzędne podmioty przetwarzające. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.

• Ta funkcja działa zgodnie z uprawnieniami w instancji. Przykładowo w przypadku braku dostępu do strony lub zgłoszenia w Jira, Confluence lub Google nie można podsumować treści z tego źródła. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Podsumowania AI w Jirze opierają się na dużych modelach językowych opracowanych przez OpenAI. Są wśród nich modele OpenAI opisane tutaj.

Atlassian Intelligence wykorzystuje te modele do analizy i generowania języka naturalnego w naszych produktach.

Modele te generują odpowiedzi na podstawie danych wejściowych i mają charakter probabilistyczny. Oznacza to, że odpowiedzi są generowane przez przewidywanie najbardziej prawdopodobnego następnego słowa lub tekstu na podstawie danych, na których silnik został przeszkolony.

Przeczytaj więcej o funkcjonalności modeli OpenAI i o tym podejściu w artykułach badawczych OpenAI.

Zamiast czytać długie opisy i liczne komentarze na temat zgłoszenia w Jirze, możesz użyć Atlassian Intelligence w celu szybkiego wygenerowania podsumowania tych informacji. Dzięki temu agenci mogą szybko zapoznać się z kontekstem zgłoszenia i wszelkimi postępami, co pozwala im podejmować niezwłoczne działania i udzielać pomocy.

Naszym zdaniem podsumowywanie szczegółów zgłoszenia za pomocą Atlassian Intelligence najlepiej sprawdza się w przypadku zgłoszeń z dużą liczbą komentarzy i/lub długimi komentarzami oraz opisami.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych do obsługi zgłoszeń AI w Jirze, mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Przykładowo odpowiedzi mogą nie odzwierciedlać dokładnie treści, na której zostały oparte, lub zawierać treść, która brzmi rozsądnie, jednak wprowadza w błąd lub nie jest wyczerpująca.

Z naszych doświadczeń wynika, że podsumowanie szczegółów zgłoszenia przy użyciu Atlassian Intelligence jest mniej przydatne w następujących sytuacjach:

• Zgłoszenie nie ma historii lub szczegółów
• Zgłoszenie ma ponad 100 komentarzy (podsumujemy tylko ostatnie 100 komentarzy)

Dlatego zachęcamy do przeanalizowania sytuacji, w których korzystasz z Atlassian Intelligence, a także do sprawdzania jakości uzyskanych odpowiedzi przed udostępnieniem ich innym.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki Atlassian Intelligence wykorzystuje Twoje dane podczas podsumowywania szczegółów zgłoszenia. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszym Centrum zaufania.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst instancji odpowiedni do polecenia, w tym szczegółowe informacje o zgłoszeniu Jira, np. opis zgłoszenia, komentarze i użytkownicy związani ze zgłoszeniem.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie prompty lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Podczas podsumowywania szczegółów zgłoszenia za pomocą Atlassian Intelligence w odniesieniu do Twoich danych stosowane są następujące środki:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI;
  • Nie są przechowywane przez OpenAI.
  • Nie są używane do ulepszania modeli OpenAI.
  • są wykorzystywane tylko do obsługi Twojego środowiska.
• OpenAI jest podrzędnym podmiotem przetwarzającym znajdującym się na naszej liście podrzędnych podmiotów przetwarzających. Nie wykorzystuje Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Ta funkcja wykorzystuje tylko informacje dostępne w zgłoszeniu Jira i jest wywoływana w zgłoszeniu Jira. Dlatego może być wywoływana tylko przez użytkownika, który ma uprawnienia do przeglądania zgłoszenia i nie będzie miał dostępu do żadnych innych informacji.

Funkcja podziału pracy dzięki AI opiera się na dużych modelach językowych opracowanych przez OpenAI.

Atlassian Intelligence wykorzystuje te modele do analizy i generowania języka naturalnego w naszych produktach.

Modele te generują odpowiedzi na podstawie danych wejściowych i mają charakter probabilistyczny. Oznacza to, że ich odpowiedzi są generowane przez przewidywanie najbardziej prawdopodobnego następnego słowa lub tekstu na podstawie danych, na których model został przeszkolony.

Przeczytaj o funkcjonalności modeli OpenAI lub o tym podejściu w artykułach badawczych OpenAI.

Funkcja podziału pracy dzięki AI sugeruje zgłoszenia podrzędne na podstawie utworzonego przez Ciebie zgłoszenia Jira, ułatwiając podzielenie dużych fragmentów pracy na mniejsze. Twoje zgłoszenie jest używane jako kontekst do generowania sugestii dotyczących podsumowań i opisów zgłoszeń podrzędnych.

Naszym zdaniem funkcja podziału pracy dzięki AI najlepiej sprawdza się w scenariuszach, w których:

• Rozpoczynasz od zgłoszenia, które ma szczegółowe podsumowanie i opis obejmujący wszelkie ograniczenia, instrukcje i definicje ukończenia.
• Początkowe zgłoszenie nie ma istniejących zgłoszeń podrzędnych.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych do obsługi funkcji podziału pracy dzięki AI, mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Przykładowo otrzymane odpowiedzi mogą nie odzwierciedlać dokładnie zawartości, na której zostały oparte, lub zawierać treści, które brzmią rozsądnie, jednak wprowadzają w błąd lub nie są wyczerpujące.

Z naszych doświadczeń wynika, że funkcja podziału pracy dzięki AI jest mniej użyteczna w scenariuszach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• Nie zaczynasz od szczegółowego podsumowania i opisu zgłoszenia (np. jeśli próbujesz wygenerować sugestie dotyczące zgłoszeń podrzędnych na podstawie zgłoszenia z bardzo krótkim i ogólnym opisem).

Dlatego zachęcamy do przemyślenia, w jakich sytuacjach korzystasz z Atlassian Intelligence, a także do sprawdzania jakości uzyskanych odpowiedzi przed udostępnieniem ich innym.

Inne kwestie warte przemyślenia:

• Jak najbardziej konkretne formułowanie zapytań do Atlassian Intelligence.
• Podanie jak największej ilości informacji w podsumowaniu i opisie początkowego zgłoszenia.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki funkcja podziału pracy dzięki AI wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszym Centrum zaufania.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst instancji odpowiedni do polecenia, w tym dane zgłoszenia (takie jak podsumowanie, opis i komentarze).
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie prompty lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Funkcja podziału pracy dzięki AI stosuje poniższe środki w stosunku do Twoich danych.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów
  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI.
  • Nie są przechowywane przez OpenAI.
  • Nie są używane do ulepszania modeli OpenAI.
  • są wykorzystywane tylko do obsługi Twojego środowiska.
• OpenAI jest podrzędnym podmiotem przetwarzającym znajdującym się na naszej liście podrzędnych podmiotów przetwarzających. Nie wykorzystuje Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji (tj. należy mieć dostęp do zgłoszenia, aby wygenerować sugestie dotyczące zgłoszeń podrzędnych). Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach generowanych przez innych użytkowników, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Dowiedz się więcej o korzystaniu z Atlassian Intelligence