Rovo — разработан с заботой о прозрачности

Возможности ChatOps на базе ИИ для управления инцидентами работают на основе больших языковых моделей, разработанных OpenAI, а также ряда больших языковых моделей с открытым исходным кодом (включая серию Llama) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти большие языковые модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI или ознакомьтесь с исследовательскими работами OpenAI, описывающими этот подход. Подробнее о языковых моделях с открытым исходным кодом см. в справке по серии Llama.

ChatOps на базе ИИ для управления инцидентами помогает пользователям разрешать инциденты быстрее. Когда новые пользователи присоединяются к каналу Slack, связанному с задачей по инциденту в Jira Service Management, ChatOps на базе ИИ вводит их в курс дела, предоставляя сводку по этому инциденту и всем обсуждениям, которые велись по его поводу до настоящего момента. Кроме того, ChatOps на базе ИИ может сохранять в Jira Service Management хронологию обсуждений из Slack для дальнейшего использования.

По нашему мнению, ChatOps на базе ИИ для управления инцидентами показывает наилучшие результаты в следующих случаях.

• Ваша организация использует Slack в качестве основного инструмента совместной работы для приоритизации и разрешения инцидентов.

• В вашей организации действует регламент, согласно которому обсуждения инцидентов документируются в соответствующих задачах Jira Service Management.

Помните, что иногда модели, используемые для функционирования ChatOps на базе ИИ для управления инцидентами, могут выдавать неточный, неполный или ненадежный результат. Это обусловлено принципами их работы. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным.

Мы обнаружили, что в следующих случаях ChatOps на базе ИИ может показать себя не так эффективно.

• Вам нужна актуальная и точная информация о людях, местах и фактах.

• Ваша организация не использует Slack в качестве основного инструмента совместной работы для приоритизации и разрешения инцидентов.

• У вашей команды нет доступа к задаче по инциденту в Jira Service Management либо к каналу Slack, который связан с такой задачей, находящейся на этапе приоритизации.

По этой причине рекомендуется подумать, в каких ситуациях будет уместно использовать ChatOps на базе ИИ для управления инцидентами, и проверять качество полученных ответов, прежде чем делиться ими с кем-либо.

Возможно, также стоит проверить разграничение прав и проследить за тем, чтобы пользователям был предоставлен надлежащий уровень доступа к соответствующим каналам Slack и задачам, связанным с инцидентами.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при управлении инцидентами с помощью ChatOps на базе ИИ. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, например данные об инцидентах и сообщения из подключенных каналов Slack.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы оставили об этой функции, включая любые запросы или ответы, которыми вы решили поделиться в рамках отзыва.

В функции ChatOps на базе ИИ для управления инцидентами предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI;
  • не хранятся OpenAI;
  • не используются для улучшения OpenAI или любого другого стороннего поставщика LLM;
• OpenAI является субобработчиком из нашего списка субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем продукте. Например, если у вас нет доступа к задаче по инциденту, ChatOps на базе ИИ для управления инцидентами не получит достаточно контекста для генерации информации. Если вы хотите ограничить доступность контента в ответах для других пользователей в вашем продукте, попросите администратора организации настроить права, предоставленные команде, соответствующим образом.

ИИ-заготовки работают на основе больших языковых моделей, разработанных компаниями OpenAI и Anthropic, а также языковых моделей на основе трансформеров с открытым исходным кодом и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI и серия моделей Claude от Anthropic.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Модели шифраторов с открытым исходным кодом преобразуют входные данные из текстового формата в числовой (векторное представление слов), а затем на основе этих видоизмененных входных данных определяются и формируются темы.

Эти большие языковые модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Anthropic. Подробнее о языковых моделях с открытым исходным кодом см. в справке по моделям векторного представления текста.

ИИ-заготовки — это предварительно сгенерированные черновики статей для базы знаний, которые должны затем проверить ваши администраторы и агенты. Эта функция создает заготовки текста для наиболее распространенных задач проекта Jira Service Management, используя сведения и комментарии из задач этого проекта.

Командам службы поддержки быстрее и проще наращивать базу знаний, опираясь на ИИ-заготовки, а это, в свою очередь, повышает эффективность других функций Jira Service Management. Например, статьи базы знаний, созданные на основе ИИ-заготовок, затем сможет использовать виртуальный помощник в функции ответов ИИ, чтобы быстрее и проще оказывать помощь клиентам.

Узнайте больше об ответах ИИ в виртуальном помощнике.

По нашему мнению, ИИ-заготовки показывают наилучшие результаты в следующих случаях.

• По проекту поступает более 40 запросов в месяц. В проектах, по которым поступает менее 40 запросов, может оказаться недостаточно информации для создания ИИ-заготовок.
• Содержимое задач — резюме, описание и другие поля — представлено преимущественно на английском языке. Качество ИИ-заготовок на других языках может отличаться.

Важно помнить: иногда модели, используемые в качестве основы для ИИ-заготовок, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что в следующих случаях ИИ-заготовки могут оказаться не такими эффективными.

• По проекту поступает менее 40 запросов в месяц.
• Проект автоматически создает запросы на основе оповещений — в таком случае статья в базе знаний может не требоваться. Однако вам все равно будет предлагаться ИИ-заготовка, касающаяся этих запросов.
• Вам нужны заготовки по задачам, содержимое которых написано на языках, отличных от английского.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Примите меры для того, чтобы участники команды тщательно изучали ИИ-заготовки, прежде чем приступать к созданию статей базы знаний на их основе
• Попросите администраторов проектов назначить из числа участников команды экспертов, ответственных за проверку и редактирование ИИ-заготовок, чтобы обеспечить высокое качество статей в базе знаний

Мы понимаем, что у вас могут возникнуть вопросы о том, как в функции ИИ-заготовок используются ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, имеющий отношение к функции, например данные в задаче, такие как значения полей, сводки и описание, чтобы создавать заготовки с помощью Rovo.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

В ИИ-заготовках предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • Недоступны другим клиентам
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Anthropic в AWS Bedrock;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • Не используются для улучшения языковых моделей сторонних поставщиков.
• OpenAI и AWS Bedrock являются субобработчиками в нашем списке субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Мы обрабатываем только те задачи, которые доступны всем участникам проекта службы поддержки вашего сайта. Любые задачи, для которых требуются права, не используются при формировании заготовок.
• Мы обновляем ИИ-заготовки каждые 7 дней, чтобы обеспечить актуальность контента.

Узнать больше об использовании Rovo

Функция ИИ-сводок для карточек центра компании работает на базе больших языковых моделей, разработанных OpenAI. В их число входит серия моделей GPT от OpenAI.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Подробнее о возможностях моделей OpenAI.

Функция ИИ-сводок для карточек центра компании заключается в создании описаний для карточек с помощью ИИ и помогает быстро вносить информацию и публиковать ее в центре компании. Эта функция использует ИИ, чтобы получить сводную информацию со связанной страницы Confluence или записи в блоге для размещения ее на карточке центра компании.

По нашему мнению, использование ИИ-сводок для карточек центра компании наиболее полезно в следующих случаях.

• Вам удобно использовать карточки центра компании в Confluence для размещения ссылок на фрагменты контента с большим количеством текста.
• Вы ищете возможность отображать в описаниях карточек Confluence краткую сводку по содержимому Confluence с большим количеством текста.

Важно! Иногда эти модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых в качестве основы для функции создания ИИ-сводок на карточках центра компании.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что использование ИИ-сводок для карточек центра компании менее полезно в следующих случаях.

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Вам требуется изложение очень короткой страницы Confluence, на которой недостаточно содержимого для создания полезной сводки.
• Вам нужно краткое изложение страницы Confluence, где большая часть содержимого находится в таблицах или раскрываемых разделах.
• Вам нужно краткое изложение страницы Confluence, большая часть содержимого которой находится в макросах.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при создании ИИ-сводок для карточек центра компании. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, например содержимое страницы Confluence, краткое изложение которой вы хотите получить.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

В отношении использования ваших данных функцией ИИ-сводок для карточек центра компании применяются следующие меры.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI;
  • не хранятся ни у каких поставщиков LLM;
  • не используются для улучшения больших языковых моделей;
• OpenAI является субобработчиком из нашего списка субобработчиков данных. OpenAI не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence, вы не сможете использовать эту функцию для получения сводки страницы с помощью Rovo. Если вы хотите ограничить доступность контента для других пользователей в вашем экземпляре, обратитесь к администратору организации, чтобы убедиться, что права настроены соответствующим образом.

Узнать больше об использовании Rovo

Rovo Dev использует большие языковые модели OpenAI и Anthropic в AWS Bedrock, модели Anthropic в Google Vertex AI, а также комбинацию других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI и серия моделей Claude от Anthropic.

Rovo Dev использует эти модели для анализа и генерации ответов на естественном языке, а также для написания кода в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Anthropic.

Rovo Dev — это контекстно-зависимый агент ИИ для профессиональных разработчиков программного обеспечения. Он понимает естественный язык и код, интегрируется с инструментами Atlassian (такими как Jira, Confluence и Bitbucket), а также со сторонними платформами разработчиков (такими как GitHub). Rovo Dev работает на базе Atlassian Teamwork Graph и использует организационный контекст, бизнес-знания и историю базы кода для ускорения цикла разработки программного обеспечения. Rovo Dev помогает планировать, генерировать и проверять код, а также автоматизировать повторяющиеся задачи в любом масштабе.

В набор продуктов Rovo Dev входят:

• Rovo Dev в Bitbucket и GitHub. Благодаря интеграциям с Bitbucket и GitHub можно проверять запросы pull на соответствие техническим требованиям и бизнес-целям. Rovo Dev выявляет потенциальные проблемы еще до того, как они попадут в рабочую среду, и обеспечивает соответствие изменений в коде критериям приемки в Jira, что сокращает количество циклов проверки и помогает избежать доработок.

• Интерфейс командной строки Rovo Dev. Rovo Dev можно использовать прямо в интерфейсе командной строки. ИИ-агент разработки доступен в терминале и легко интегрируется с рабочим процессом Atlassian.

По нашему мнению, Rovo Dev показывает наилучшие результаты в следующих случаях.

• Вам нужна помощь в решении таких задач, как написание нового кода, отладка существующего или понимание сложных баз кода.
• Вы хотите автоматически получать обратную связь по запросам pull после проверки кода, чтобы выявлять потенциальные проблемы и улучшать качество кода.
• Вам нужна помощь в решении стандартных задач разработки, таких как рефакторизация, тестирование или документация.
• Вы хотите более эффективно решать задачи в Jira, автоматизируя изменение кода в связанных репозиториях.
• Ваша команда разработчиков хочет поддерживать согласованные стандарты программирования и следовать рекомендациям.

Важно помнить, что иногда модели, используемые в качестве основы для Rovo Dev, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что в следующих случаях инструмент Rovo Dev может оказаться недостаточно эффективным.

• Вам нужна актуальная и точная информация о людях, местах, фактах, которых нет в вашей базе кода, контексте разработки или доступном контенте Atlassian, например на страницах Confluence или в проблемах Jira.
• Вам нужно, чтобы у Rovo Dev был доступ к информации, которая недоступна в вашем репозитории, среде разработки или связанных инструментах Atlassian.
• Вам нужна идеальная точность кода, от которого зависит безопасность или защита, без контроля со стороны человека, потому что Rovo Dev не следует использовать в таких сценариях.
• Вы работаете с частными или строго конфиденциальными шаблонами кода, которые не входили в состав данных, использованных для обучения модели. Возможно, Rovo Dev не поможет при работе с очень новыми технологиями, которые не были включены в обучающие данные модели, поскольку у Rovo Dev недостаточно контекста для выдачи полезных результатов.
• Rovo Dev не следует использовать в качестве единственного инструмента для проверки безопасности, проверки соответствия требованиям, а также в сценариях, где правильность кода имеет решающее значение для безопасности или нормативного соответствия в силу отсутствия строгого человеческого контроля.

• По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo Dev, и проверять качество полученных ответов, прежде чем внедрять предложенные изменения или делиться ими.

Также стоит учесть следующее.

• Формулируйте запросы к Rovo Dev максимально подробно. Четко определяйте контекст, давайте информацию о базе кода и требованиях.
• Проверяйте и тестируйте любые изменения кода, предложенные Rovo Dev, перед их сохранением в вашем репозитории.
• Следите за наличием настроенных прав доступа и средств управления доступом в вашей среде разработки.
• Своевременно обновляйте документацию по репозиторию и комментарии к коду, чтобы у ИИ-помощника было больше контекста.
• Используйте Rovo Dev в качестве инструмента для совместной работы наряду с проверкой кода человеком, а не в качестве замены проверки.

Мы понимаем, что у вас могут возникнуть вопросы о том, как Rovo Dev использует ваши данные. Этот раздел дополняет сведения, доступные на странице Rovo Dev.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод) при взаимодействии с Rovo Dev.
• Контекст из среды разработки, имеющий отношение к вашему запросу, например файлы кода и запросы pull в Bitbucket, задачи в Jira, контент из подключенных сторонних приложений, таких как Github, или с подключенных серверов MCP, или из локальных файлов на вашем устройстве (при использовании интерфейса командной строки RovoDev).
• Данные о том, как вы взаимодействуете с нашими функциями, например паттерны использования команд и инструменты разработки, которые вы применяете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для Rovo Dev предусмотрены следующие меры в отношении ваших данных.

Ваши запросы (ввод) и ответы (вывод):

• Недоступны другим клиентам
• Не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI, Google Vertex AI и Anthropic в AWS Bedrock.
• Не сохраняются средствами OpenAI, Google Vertex AI или Anthropic на AWS Bedrock.
• Не используются для улучшения моделей OpenAI или Anthropic.

Обработка данных сторонними сервисами:

• OpenAI, Google Vertex AI и Amazon Web Services (AWS Bedrock) входят в наш список субпроцессоров. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.

Разрешения и доступ:

• К Rovo Dev применяются права доступа, настроенные в вашей среде разработки и подключенных инструментах Atlassian. Так, если у вас нет доступа к определенным репозиториям или проектам Jira, Rovo Dev не будет просматривать их содержимое при генерации ответов.
• Если вы хотите ограничить доступность контента в ответах, предоставляемых другим пользователям в вашей организации, обратитесь к системным администраторам и попросите проверить настройку прав доступа.
• В интерфейсе командной строки Rovo Dev пользователи могут добавлять сторонние серверы Model Context Protocol (MCP), чтобы предоставить Rovo Dev доступ к стороннему контенту. Для интеграции с любым сторонним сервером MCP требуется подтверждение от пользователя, и вы должны убедиться, что соблюдаете любые условия использования стороннего сервиса. Пользователи могут вводить запросы на отправку данных за пределы вашего сайта Atlassian, при этом данные, отправленные за пределы вашего сайта, не будут регулироваться условиями Atlassian.

Подробнее об использовании Rovo Dev

Группа сообщества Rovo Dev

Формирование сводок страниц и блогов с помощью ИИ работает на базе больших языковых моделей, разработанных OpenAI и Google. В их число входят серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

Экономьте время и быстрее получайте сведения, необходимые для работы, формируя сводки страниц или блогов Confluence с помощью ИИ. Подробнее об использовании ИИ в Confluence.

По нашему мнению, функция создания сводок страниц и блогов с помощью Rovo показывает наилучшие результаты в следующих случаях:

• На странице большое количество текста, так что на ее чтение уходит 5 минут или более.
• На странице много текстового содержимого и мало визуальных элементов и (или) другого форматирования, например разворачиваемых разделов.

Важно помнить, что из-за принципов работы моделей, используемых для формирования сводок страниц и блогов с помощью ИИ, иногда эти модели могут давать неточные, неполные или ненадежные результаты.

Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным.

Хотя мы продолжаем улучшать поддержку макросов, таблиц и раскрываемых разделов функцией создания сводок, мы обнаружили, что формирования сводок страниц и блогов с помощью Rovo может быть менее полезным в следующих ситуациях:

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Вам нужно краткое изложение очень маленькой страницы Confluence, на которой недостаточно содержимого.
• Вам нужно краткое изложение страницы Confluence, где большая часть содержимого находится в таблицах или раскрываемых разделах.
• Вам нужно краткое изложение страницы Confluence, большая часть содержимого которой находится в макросах.

Мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Запрашивайте у Rovo сводки страниц, на которых точно много текстового содержимого.

Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при автоматизации в Confluence с помощью ИИ. Этот раздел дополняет сведения, доступные на странице часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, например содержимое страницы Confluence, краткое изложение которой вы хотите получить.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для формирования сводок страниц и блогов с помощью Rovo предусмотрены следующие меры в отношении ваших данных:

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • Они не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Google.
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
• Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. OpenAI не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence, функция не будет отображаться и вы не сможете получить сводку страницы с помощью Rovo. Если вы хотите ограничить доступность контента для других пользователей в вашем экземпляре, обратитесь к администратору организации, чтобы убедиться, что права настроены соответствующим образом.

Rovo генерирует определения терминов в Confluence и Jira на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama и Mixtral) и других моделей машинного обучения. В их число входят серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic.

С помощью этих моделей Rovo анализирует запросы и генерирует ответы на естественном языке в Confluence и Jira.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Подробнее о языковых моделях с открытым исходным кодом см. в справке по серии Llama.

Иногда при ознакомлении с содержимым в Confluence и Jira одна из самых сложных задач — получить контекст, необходимый для понимания того, что вы читаете. Сокращения, аббревиатуры, незнакомые термины и названия, используемые в конкретных командах или проектах, могут затруднить поиск нужной информации.

Определение терминов с помощью Rovo позволит определить уникальные для компании термины (например, аббревиатуры, названия проектов, систем или команд) на странице Confluence или в описании задачи в Jira. Таким образом пользователи могут получить необходимую информацию именно тогда, когда она им нужна, что способствует совместной работе команд.

Rovo помогает экономить время, предоставляя нужные определения без необходимости переключаться с изучаемого документа.

Если вы столкнулись с определением, которое, по вашему мнению, является неточным, вы можете отредактировать его или добавить новое, а затем настроить видимость определения для этой страницы, задачи, всего раздела или проекта, а также для доступа в рамках всей вашей организации.

По нашему мнению, Rovo в Confluence и Jira лучше всего дает определения для терминов в следующих случаях:

• В экземпляре Confluence компании есть несколько страниц, на которых упоминается, описывается или объясняется, что означает конкретный термин, чтобы у Rovo были сведения, от которых можно оттолкнуться.

Важно помнить, что из-за принципов работы моделей, используемых для генерации определений для терминов с помощью Rovo в Confluence, иногда эти модели могут давать неточные, неполные или ненадежные результаты.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что функция определения терминов с помощью ИИ в Confluence может быть менее полезной в следующих ситуациях:

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• В экземпляре Confluence не хватает подробных сведений о термине (например, если нет страниц с упоминанием конкретного термина, для термина не получится сгенерировать точное определение).
• Генерация определений требует доступа к контенту Confluence, на просмотр которого у вас нет прав
• Вы пытаетесь получить определение сразу для нескольких терминов вместе, а не по отдельности.

Кроме того, мы обнаружили, что в Jira эта возможность будет работать только при наличии права на просмотр экземпляра Confluence на том же сайте, где находится ваш экземпляр Jira, поскольку генерация определений для терминов с помощью Rovo основана на поиске в Confluence.

Вы также можете заметить, что генерация определений для терминов с помощью Rovo не работает должным образом в разделах Confluence или экземплярах Jira, в которых контент написан на нескольких языках.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при генерации определений для терминов с помощью Rovo. Этот раздел дополняет сведения, доступные на странице часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с вашим запросом, например термин, определение которого вы хотите получить.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для функции генерации определений терминов с помощью Rovo предусмотрены следующие меры в отношении ваших данных:

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI, Google или Anthropic в AWS Bedrock;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
  • Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права доступа пользователей в вашем экземпляре, то есть пользователи не увидят определения, сгенерированные на основе контента, к которому у них нет доступа. Функция получает содержимое и определения только со страниц и проектов, на просмотр которых пользователь имеет права в этом экземпляре. Если вы хотите ограничить доступность контента в ответах для других пользователей в вашем экземпляре, обратитесь к администратору организации, чтобы настроить права доступа соответствующим образом.
• Если пользователь вручную отредактирует или обновит определение, оно будет храниться в течение 1 года.

Функция редактирования Rovo на базе ИИ работает на основе больших языковых моделей, разработанных OpenAI и Google. В их число входят серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

Rovo помогает наладить коммуникацию между всеми командами организации для повышения эффективности, принятия более точных решений и совершенствования других процессов.

По нашему мнению, функция редактирования с помощью Rovo показывает наилучшие результаты в следующих ситуациях:

• Преобразование существующего контента для разных аудиторий. ИИ помогает изменить тон, улучшить качество текста и упростить подачу технической информации для других команд. Это лучше всего сработает для команд, которые хотят сделать текст более профессиональным и лаконичным.
• Формирование сводок существующего контента. С помощью Rovo можно превратить черновые заметки в полезную стратегическую документацию, статьи базы знаний, планы кампаний и многое другое. Кроме того, можно анализировать существующую информацию для установления планов действий и задач. Это лучше всего сработает для страниц с большим количеством текста, где доступно много контекста.
• Создание нового контента. Rovo помогает создавать новый контент, например страницы стратегий, обзоры проектов, примечания к релизу или пользовательские истории. Это лучше всего сработает, когда команды используют четкие и конкретные запросы с учетом определенной цели.

Важно помнить, что из-за принципов работы моделей, используемых для редактирования с помощью Rovo, иногда эти модели могут давать неточные, неполные или ненадежные результаты.

Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным.

Мы обнаружили, что функция редактирования с помощью Rovo может быть менее полезной в следующих ситуациях:

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Для надлежащего ответа на ваш запрос требуется информация, к которой у вас нет прямого доступа (например, в вашем экземпляре).
• Вам необходимо создать контент с форматированием, выходящим за рамки стандартной разметки (например, создание информационной панели с нуля).
• Вам необходимо использовать информацию, которой нет в редактируемом документе (например, содержимое другого документа или другого продукта).
• Вам нужно генерировать и преобразовывать контент на языках, отличных от английского.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Отправляйте Rovo максимально конкретные запросы.
• Разбивайте сложные запросы на небольшие, легко выполнимые задания.
• Используйте подходящие ключевые слова, чтобы повысить точность генерируемого контента.
• Соблюдайте правила грамматики и пунктуации во входном тексте.
• Проверяйте, корректируйте и редактируйте выходные данные, сгенерированные помощником по написанию текстов на основе ИИ, для точности и ясности.
• Экспериментируйте с различными запросами или вариантами входного текста, чтобы изучить разные идеи.
• Сотрудничайте с другими людьми, чтобы получать обратную связь и улучшать качество выходных данных.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при редактировании с помощью Rovo. Этот раздел дополняет сведения, доступные на странице часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, например данные продукта, в котором запущен Rovo.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для функции редактирования с помощью Rovo предусмотрены следующие меры в отношении ваших данных:

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • Они не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Google.
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
• Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. OpenAI не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права доступа в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence, вам не будет предложен контент этой страницы в ответе, который вы получите. Если вы не хотите, чтобы ваш контент был доступен в ответах другим пользователям экземпляра, обратитесь к администратору организации, чтобы убедиться, что права доступа настроены соответствующим образом.

Средство переформатирования задач работает на основе больших языковых моделей, разработанных OpenAI, включая серию моделей GPT.

Инструмент Rovo использует эту модель для анализа и создания ответов на естественном языке в Jira.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Подробнее о возможностях моделей OpenAI.

Средство переформатирования задач помогает сделать описания задач Jira более понятными путем их переформатирования с использованием шаблона Atlassian. В этот шаблон включены типы информации, которые обычно присутствуют в описании задачи Jira, такие как пользовательская история, контекст задачи и критерии приемки.

По нашему мнению, средство переформатирования задач наиболее эффективно, когда описания задач уже содержат полезную информацию (например, критерии приемки или ссылки на источники), но эта информация не имеет четкой и единообразной структуры.

Важно помнить: иногда модели, используемые в средстве переформатирования задач, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципом их работы.

Например, переформатированное описание может неточно отражать контент, на основе которого создано, или содержать сведения, которые кажутся правдоподобными, но на самом деле являются ложными или неполными.

Мы обнаружили, что средство переформатирования задач может оказаться менее эффективным в следующих случаях.

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Описания задач содержат мало информации. В этом случае высока вероятность того, что модели, используемые в средстве переформатирования задач, могут добавить информацию, которой не было в исходном описании.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и всегда проверять качество полученных ответов, прежде чем делиться ими с другими. Вам также следует убедиться, что описания задач содержат всю необходимую информацию, прежде чем переформатировать их с помощью средства переформатирования задач.

Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются в средстве переформатирования задач. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, например описание и резюме задачи Jira.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

В средстве переформатирования задач предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • Не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI.
  • не хранятся OpenAI;
• OpenAI является субобработчиком из нашего списка субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция использует только информацию, доступную в задаче Jira, и вызывается из задачи Jira. Поэтому ее может вызвать только пользователь, который имеет право на просмотр задачи и не будет иметь доступа к другой информации.

Узнать больше об использовании Rovo

Формирование сводки сведений о задаче с помощью ИИ выполняется на базе больших языковых моделей, разработанных компаниями OpenAI и Google. В их число входят серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

Вместо того чтобы читать длинные описания и многочисленные комментарии к задаче Jira Service Management, можно моментально получить сводку по этой информации с помощью Rovo. Благодаря этому агенты могут быстро понимать контекст задачи и достигнутый прогресс, а также принимать срочные меры и оказывать своевременную помощь.

По нашему мнению, лучше всего использовать Rovo для формирования сводок сведений о следующих задачах:

• задачи с описанием и комментариями на английском языке;
• задачи с большим количеством комментариев и (или) длинными комментариями и описаниями.

Важно помнить, что из-за принципов работы моделей, используемых для резюмирования сведений о задаче с помощью ИИ, иногда эти модели могут выдавать неточные, неполные или ненадежные результаты.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что функция резюмирования сведений о задаче посредством Rovo может быть менее полезна в следующих ситуациях:

• используется язык, отличный от английского;
• у задачи нет истории или дополнительных сведений.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при резюмировании сведений о задаче с помощью ИИ. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, в том числе сведения о задаче Jira Service Management, например ее описание и комментарии к ней, а также пользователи, принимающие участие в заявке.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для резюмирования сведений о задаче с помощью Rovo предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI, Google или Anthropic в AWS Bedrock;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
• Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права доступа в вашем экземпляре. Кнопка Summarize (Сводка) доступна только агентам и администраторам проекта.

Atlassian Intelligence генерирует краткие описания интеллектуальных ссылок на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic.

Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi.

Когда вы наводите курсор на интеллектуальную ссылку из Jira, Confluence и Google Документов, Atlassian Intelligence может составить краткое описание контента, определить важность и значение ссылки и принять решение о дальнейших действиях. Благодаря этому необязательно покидать текущую страницу и переключаться между приложениями.

По нашему мнению, краткие описания интеллектуальных ссылок на основе ИИ наиболее полезны в следующих случаях:

• Вы просматриваете страницу или задачу с одной или несколькими интеллектуальными ссылками.
• Вы просматриваете страницу или задачу с одной или несколькими интеллектуальными ссылками, насыщенными контентом, чтение которого отнимает время и отвлекает внимание от основного материала.

Важно! Иногда эти модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых в качестве основы при создании краткого описания интеллектуальной ссылки с помощью ИИ.

Например, краткое описание может неточно отражать контент, на котором оно основано, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что в следующих случаях краткие описания интеллектуальных ссылок на основе ИИ могут показать себя не так эффективно:

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• вам нужно кратко изложить контент очень маленького объема;
• вам нужно кратко изложить все метаданные и контент ссылки, например в том случае, если вы хотите изучить все значения полей в заявке Jira, а также ее описание и комментарии.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при формировании сводки сведений о задаче с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные на странице часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, например контент по ссылке, краткое описание которой вы хотите получить.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые ответы, которыми вы делитесь в рамках отзыва.

Для функции создания краткого описания интеллектуальной ссылки с помощью ИИ предусмотрены следующие меры в отношении ваших данных.

• Ваше краткое описание:
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI, Google или Anthropic в AWS Bedrock;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
• Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре. Например, если у вас нет доступа к странице или заявке в Jira, Confluence или Google, вы не сможете создать краткое описание контента из этого источника. Если вы хотите ограничить доступность контента в ответах для других пользователей в вашем экземпляре, обратитесь к администратору организации, чтобы убедиться, что права настроены соответствующим образом.

Функция формирования сводки на базе ИИ в Jira основана на больших языковых моделях, разработанных OpenAI, включая модели, описанные здесь.

Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы составляются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI.

Вместо того чтобы читать длинные описания и многочисленные комментарии к задаче Jira, можно моментально получить сводку по этой информации с помощью Atlassian Intelligence. Благодаря этому агенты могут быстро понимать контекст задачи и достигнутый прогресс, а также принимать срочные меры и оказывать своевременную помощь.

По нашему мнению, лучше всего использовать Atlassian Intelligence для формирования сводок сведений о задачах с большим количеством комментариев и (или) с длинными комментариями и описаниями.

Важно помнить, что иногда модели, используемые при формировании сводок на базе ИИ в Jira, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами их работы.

Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным.

Мы обнаружили, что сводка сведений о задаче на базе Atlassian Intelligence может быть менее полезна в следующих ситуациях:

• у задачи нет истории или дополнительных сведений;
• у задачи более 100 комментариев (сводка формируется только по 100 последним комментариям).

По этой причине рекомендуется подумать, в каких ситуациях будет уместно использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с кем-либо.

Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при формировании сводки сведений о задаче с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, в том числе сведения о задаче Jira, например ее описание и комментарии к ней, а также пользователи, принимающие участие в заявке.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Формирование сводки сведений о задаче с помощью Atlassian Intelligence предусматривает следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI;
  • не хранятся OpenAI;
  • не используются для улучшения моделей OpenAI;
  • OpenAI является субобработчиком из нашего списка субобработчиков данных. OpenAI не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре. Эта функция использует только информацию, доступную в задаче Jira, и вызывается из задачи Jira. Поэтому ее может вызвать только пользователь, который имеет право на просмотр задачи и не будет иметь доступа к другой информации.

Функция разделения задач на базе ИИ основана на больших языковых моделях, разработанных OpenAI.

Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI или ознакомьтесь с исследовательскими работами OpenAI, описывающими этот подход.

Функция разделения задач на базе ИИ помогает разбить крупные блоки работы на более мелкие, предлагая варианты дочерних задач для созданной вами задачи Jira. При формировании резюме и описаний для дочерних задач ваша задача выступает в качестве контекста.

По нашему мнению, функция разделения задач на базе ИИ показывает наилучшие результаты в следующих случаях.

• Начальная задача сопровождается подробным резюме и описанием, в которых указаны все ограничения, инструкции и критерии готовности.
• У начальной задачи нет дочерних задач.

Важно помнить, что иногда модели, используемые при разделении задач на базе ИИ, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что в следующих случаях разделение задач на базе ИИ может оказаться не таким эффективным.

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• У начальной задачи нет подробного резюме и описания (например, если вы пытаетесь создать варианты дочерних задач для задачи с коротким и слишком общим описанием).

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Отправляйте Atlassian Intelligence максимально конкретные запросы.
• Указывайте в резюме и описании начальной задачи как можно больше информации.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при разделении задач на базе ИИ. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, в том числе данные о задаче (например, резюме, описание и комментарии).
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

При разделении задач на базе ИИ предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • Недоступны другим клиентам
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI;
  • не хранятся OpenAI;
  • не используются для улучшения моделей OpenAI;
• OpenAI является субобработчиком из нашего списка субобработчиков данных. OpenAI не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре (то есть для создания вариантов дочерних задач у вас должен быть доступ к начальной задаче). Если вы хотите ограничить доступность контента в ответах, создаваемых для других пользователей, обратитесь к администратору организации, чтобы убедиться, что права настроены соответствующим образом.

Узнать больше об использовании Atlassian Intelligence

Агент для собраний работает на базе больших языковых моделей, разработанных OpenAI и Google, а также на основе комбинации других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Агент для собраний использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

Агент для собраний доступен пользователям в организациях, использующих подборку приложений Teamwork Collection (Jira, Confluence и Loom).

Агент для собраний доступен в приложении Loom для компьютеров и помогает извлекать больше пользы из собраний. С его помощью пользователи могут наверстать упущенные темы, зафиксировать список задач и подготовиться к следующему собранию.

По нашему мнению, Агент для собраний показывает наилучшие результаты в следующих случаях.

• Вы хотите задавать вопросы и получать информацию о текущем собрании или серии повторяющихся собраний.
• Вам нужен простой и удобный способ задавать вопросы о базе знаний вашей компании.

Важно помнить, что иногда модели, лежащие в основе Агента для собраний, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что Агент для собраний может быть менее полезен в следующих случаях.

• Вы хотите получить информацию о собрании, отличном от текущего или не входящем в серию повторяющихся собраний.
• Вы хотите получить информацию о собрании, для которого нет расшифровки.
• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Для надлежащего ответа Агенту для собраний нужна информация, к которой у вас нет прямого доступа (например, в вашем экземпляре).

По этой причине мы рекомендуем вам учитывать ситуацию, в которой вы собираетесь использовать Агента для собраний, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Отправляйте Агенту для собраний максимально конкретные запросы.
• Просите Агента для собраний выполнить поиск в Интернете, если хотите, чтобы у него был доступ к более широкому кругу информации для ответа на ваши запросы. Например, если вы хотите узнать о ситуации на целевом рынке программного обеспечения для видеоконференций, Агент для собраний справится лучше, если добавить в запрос поиск результатов в Интернете.
• Используйте Агента для собраний, чтобы получать информацию и контекст главным образом из записей ваших собраний и сопутствующих материалов. Если вам нужна более общая информация на уровне организации, не зафиксированная в материалах собрания, рекомендуется использовать Rovo. Например, Rovo может быстрее ответить на вопросы «Кто руководит разработкой продукта?» или «Когда следующий общекорпоративный выходной в США?». Если вы хотите использовать Агента для собраний, чтобы быстро получить доступ к организационному контексту из источников, не связанных с материалами собраний, рекомендуется вместо этого использовать Rovo.

Мы понимаем, что у вас могут возникнуть вопросы о том, как Агент для собраний использует ваши данные. В этом разделе представлены сведения, дополняющие информацию в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Расшифровки видео (но не сами видеоролики)
• Контекст из вашего экземпляра, связанный с запросом. Например, если вы введете запрос «Какие бонусы для сотрудников есть в нашей компании на 2026 г.?», мы можем передать вам страницу Confluence с информацией о бонусах, если у вас есть доступ к такой странице.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Агент для собраний применяет следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • Они не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Google.
  • Не хранятся в OpenAI или Google.
  • Не используются для улучшения моделей OpenAI или Google.
• История переписки с Агентом для собраний охватывает доступные собрания за последние 30 дней.
• OpenAI и Google Vertex являются субобработчиками из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence с конфиденциальными правилами для команды, в которой вы не состоите, контент этой страницы не будет содержаться в ответе, который вы получите. Если вы хотите ограничить доступность контента в ответах для других пользователей экземпляра, обратитесь к администратору организации, чтобы настроить права соответствующим образом.

Подробнее об Агенте для собраний

Агенты в Jira работают на базе больших языковых моделей, разработанных OpenAI и Google. В их число входят серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Агенты в Jira используют эти модели для анализа данных и генерации ответов на естественном языке, а также программного кода прямо в Jira.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

В Jira можно назначать задачи агентам, созданным в Мастерской, или сторонним агентам, таким как GitHub Copilot. При добавлении агента в задачу вы устанавливаете с ним двунаправленное взаимодействие. Можно непосредственно назначить задачу агенту или настроить запуск агента при изменении статуса задачи в рабочем процессе.

Агенты помогают составлять черновики и краткие обзоры, а также выполнять определенные задания, чтобы вы могли работать в той же системе, где отслеживаете задачи. Более мощные агенты для написания кода, такие как Rovo Dev и GitHub Copilot, также могут генерировать код.

Получив задание, агент приступает к работе и предоставляет результат для проверки в разделе Агенты в карточке задачи. Результат доступен для просмотра, взаимодействия и публикации только вам.

Когда результат вас устроит, вы можете опубликовать его в виде комментария к задаче, чтобы ваша команда тоже могла его просмотреть.

После добавления агента в раздел вы можете работать с ним четырьмя способами:

• добавлять агента в поле «Исполнитель»;
• @упоминать агента в комментариях;
• добавлять агента в переходы рабочего процесса;

• добавлять агента в столбцы на досках.

По нашему мнению, агенты в Jira показывают наилучшие результаты в следующих случаях.

• Задачи содержат достаточно контекста, например подробные описания и материалы (страницы Confluence, варианты дизайна или руководства), чтобы вместо общих рекомендаций агенты могли выдавать ответы, которые учитывают реальные задачи команды.
• Вы используете специализированных агентов из Мастерской или агентов для написания кода (например, Rovo Dev или GitHub Copilot), которые обладают навыками и инструментами, подходящими для задачи (особенно для генерации кода или технического анализа).
• В процессе работы вы хотите делегировать агенту четко определенные задачи (например, создать черновик комментария, критериев приемки или изменения в коде), а людям оставлять задачи, требующие экспертной оценки и окончательного подтверждения.
• Вы хотите работать с агентом, постепенно уточняя и исправляя вывод с помощью последующих запросов.

Важно помнить, что иногда модели, лежащие в основе агентов в Jira, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

По нашим наблюдениям, агенты в Jira могут быть менее полезны в следующих случаях.

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Вам нужны единообразные и стабильные результаты, которые нельзя изменять. Ответы агентов могут различаться по ряду причин, включая права пользователей.
• Процесс происходит без участия людей. Агенты лучше всего работают с человеком, который может проверить результат или руководить процессом.
• В задаче недостаточно контекста, чтобы агент мог приступить к работе. Такое возможно, когда на сайте Jira или в подключенных приложениях и продуктах недостаточно информации для точного понимания задачи. Такое также случается, когда агенту требуется доступ к конкретным артефактам, таким как варианты дизайна, фрагменты кода или требования, которые не привязаны к задаче и не упоминаются в ней.
• Агент, созданный в Мастерской, не обладает необходимыми навыками для выполнения назначенной ему задачи. Подробнее о добавлении навыков и инструментов для агентов

• Задача требует ведения переговоров и общения с людьми. Агенты могут обобщать точки зрения и предлагать дальнейшие действия, но они не подходят для согласования позиций заинтересованных лиц или принятия обязательств от имени команды.

По этой причине мы рекомендуем вам учитывать ситуацию, в которой вы собираетесь использовать агентов в Jira, и проверять качество полученных ответов, прежде чем делиться ими с остальными.

Также стоит учесть следующее.

• Максимально четко прописывайте в задаче, что должен сделать агент.
• Предоставляйте агенту релевантный контекст и ссылки (страницы, ссылки на репозиторий, код, дизайны).
• Дорабатывайте и корректируйте результаты с помощью последующих запросов.

Мы понимаем, что у вас могут возникнуть вопросы о том, как агенты в Jira используют ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, относящийся к запросу (например, контекст задачи и данные Teamwork Graph), для поиска дополнительной информации, которая поможет агенту выполнить задачу.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для агентов в Jira предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (входные данные) и ответы (выходные данные) при работе с агентами, созданными Atlassian или в Мастерской агентов:
  • недоступны другим клиентам;
  • Они не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Google.
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
• Если администратор решит установить или включить стороннего агента через приложение Marketplace или сторонний сервер MCP, то использование вами этого агента будут регулировать условия, политика конфиденциальности и правила обработки и хранения данных такой третьей стороны.
  • Сторонние агенты могут использовать модели LLM, субобработчиков данных, инфраструктуру, сроки хранения и средства контроля, которые отличаются от тех, что используют агенты, созданные компанией Atlassian или в Мастерской. Прежде чем включать или использовать стороннего агента, клиентам следует изучить применимые условия и документацию третьей стороны.
• OpenAI и Google Vertex являются субобработчиками из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence, агент не сможет получить к ней доступ, чтобы дать вам ответ. Если вы хотите ограничить доступность контента в ответах для других пользователей экземпляра, обратитесь к администратору организации, чтобы настроить права соответствующим образом.
• Агенты действуют от вашего имени и наследуют ваши права. Они извлекают только те данные, к которым у вас есть доступ, а их вывод видите только вы, пока не решите им поделиться или не запустите действие, которое откроет доступ для других.

Совместная работа над задачами с агентами ИИ

Ресурсы по Rovo

Jira Cloud for Slack использует ИИ для работы функции упоминания Jira в приложении. Для этого применяются большие языковые модели, разработанные Google, в частности моделями серии Gemini.

Приложение использует такие модели для анализа и генерации ответов на естественном языке в Slack, а также для выполнения действий в Jira от имени пользователей.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей Google.

Упоминание Jira в Slack позволяет командам регистрировать задачи и управлять ими непосредственно из любого канала Slack. Используйте @Jira, чтобы создавать задачи, обновлять поля и назначать задания на простом языке, не покидая ветки чата. С помощью @Jira также можно назначать задачи участникам команды или передавать их агентам. Настройка занимает несколько секунд, после чего проект и настройки будут сохранены для дальнейшего использования.

Упоминания Jira в Slack помогают командам фиксировать задачи и приступать к их выполнению сразу, как только они возникают в ходе диалога. По нашему мнению, упоминания Jira в Slack лучше всего подходят для следующих сценариев.

• Создание задач из диалогов в Slack. Если в диалоге в Slack выявляется баг, принимается решение или появляется задание, вы можете упомянуть @Jira и описать, что вам нужно, чтобы создать задачу в Jira с соответствующим контекстом.
• Обновление существующих задач. Вы можете попросить агента обновить статус, приоритет или исполнителя существующей задачи Jira прямо в Slack, не открывая Jira.
• Назначение задач агенту. Вы можете попросить Jira назначить задачи агенту, чтобы запустить выполнение.
• Встроенное редактирование задач. Вы или ваши коллеги можете редактировать поля напрямую с помощью развернутой карточки для созданной или обновленной задачи в ветке Slack.
• Настройка стандартных параметров на уровне канала. С помощью команды /агент jira можно задать для определенного канала Slack сайт Jira, проект по умолчанию и пользовательские инструкции, определяющие поведение агента.

Важно помнить, что иногда модели, лежащие в основе приложения Jira, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

По нашим наблюдениям, упоминание @Jira в Slack может быть менее полезно в следующих случаях.

• У вас недостаточно прав в Jira, что ограничивает вашу возможность выполнять запросы и действия.
• В ветке или канале Slack, которые вы используете, содержатся расплывчатые или неточные формулировки. В этом случае @Jira с меньшей вероятностью будет создавать или обновлять точные задачи.
• Вы даете нечеткие или расплывчатые инструкции при @упоминании Jira.
• В канале нет актуальной и точной информации о людях, местах и фактах.

По этой причине мы рекомендуем учитывать ситуацию, в которой вы собираетесь использовать упоминание @Jira в Slack, и проверять качество полученных ответов.

Также стоит учесть следующее.

• Старайтесь формулировать свои запросы как можно конкретнее.
• Перефразируйте запросы.
• Проверяйте созданные или обновленные задачи Jira на точность перед закрытием ветки в Slack.

Мы понимаем, что у вас могут возникнуть вопросы о том, как приложение Jira for Slack использует ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, относящийся к вашему запросу, например обновления задачи Jira.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для приложения Jira for Slack предусмотрены следующие меры в отношении ваших данных:

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • они не отправляются сторонним поставщикам больших языковых моделей, кроме Google;
  • не хранятся в Google;
  • не используются для улучшения моделей Google.
• Google Vertex является субобработчиком из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Например, если у вас нет права на создание задач, вы не сможете сделать это, упомянув Jira в Slack.

Ресурсы по Rovo

Статья поддержки

Описание Slack в Marketplace

Редактор Loom работает на основе больших языковых моделей, разработанных OpenAI и Google, а также ряда больших языковых моделей с открытым исходным кодом (включая серию Llama) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Редактор Loom использует эти модели для извлечения и анализа контента из расшифровок видео, а также для генерации текста на естественном языке в Loom.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Редактор в Loom использует эти модели для извлечения контекста из расшифровок видео. Он может автоматически создавать названия, сводки и главы, а также редактировать видео на основе расшифровки и автоматически удалять слова-паразиты и паузы.

Узнайте больше о возможностях моделей OpenAI и Google. Подробнее о языковых моделях с открытым исходным кодом см. в справке по серии Llama.

Редактор Loom имеет ряд возможностей на базе ИИ, помогающих автоматически улучшать видеоролики Loom. Сейчас редактор Loom обладает следующими возможностями.

• Автоматические названия. Название видеоролика создается автоматически на основе контекста из его расшифровки.
• Автоматические описания. После записи ролика автоматически создается описание, которое отображается в поле описания под видео.
• Автоматические главы. Главы создаются автоматически на основе тем, обсуждаемых в видео. С помощью глав видео делится на части, чтобы зрителям было проще ориентироваться.
• Рабочие процессы на базе ИИ. С их помощью можно преобразовать видео в текстовый документ, сообщение или отчет о баге, которое можно отправить напрямую в Jira.
• Перевод субтитров. Возможен автоматический перевод субтитров на разные языки.

По нашему мнению, редактор Loom показывает наилучшие результаты в следующих случаях.

• Добавление средств для быстрой навигации. Видео разбивается на разделы с помощью функции автоматических глав для удобной навигации.
• Создание сводок, которыми можно сразу же поделиться. Сразу после записи можно сгенерировать подходящие автоматические заголовки и автоматические сводки.
• Объединение видео с текстовой документацией. Видеоматериалы можно преобразовать в текстовые ресурсы с помощью рабочих процессов на базе ИИ, например создать СОП, сообщения или отчеты о багах, и отправить их напрямую в Jira.
• Улучшение речи. Можно сделать речь в видео более профессиональной, удалив слова-паразиты, мычание и долгие паузы.
• Прямой призыв к действию для аудитории. Можно создать кнопку автоматического призыва к действию на основе контекста видеозаписи, чтобы указать зрителям дальнейшие шаги.
• Перевод субтитров. Можно автоматически перевести субтитры на разные языки.

Важно помнить, что иногда модели, лежащие в основе редактора Loom, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, ответы могут неточно отражать контент, на котором основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что в следующих случаях редактор Loom может оказаться не таким эффективным.

• Вам требуется перевод на менее распространенные языки. Большие языковые модели, как правило, лучше справляются с наиболее распространенными языками, которые лучше задокументированы.
• Вам нужны единообразные и стабильные результаты, которые нельзя изменять, а ответы ИИ могут различаться по ряду причин.
• Процесс происходит без участия людей. Редактор Loom лучше всего работает с участием человека, который может проверить результат или руководить процессом.
• Вам требуется создать визуальные элементы или изображения. Редактор Loom в основном предназначена для работы с текстом и для простой обрезки видео.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать редактор Loom, и проверять качество контента, прежде чем делиться им с другими.

Мы понимаем, что у вас могут возникнуть вопросы о том, как редактор Loom использует ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Контекст из вашего экземпляра, относящийся к запросу, например выбранный видеофайл, его расшифровка, метаданные и любой текст, который вы предоставляете в видео или вместе с ним.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.
• Сам видеофайл (аудио- и видеопоток).
• Автоматически созданная расшифровка этого видео (текст).
• Любые существующие метаданные о видео, в том числе:
  • название, описание, теги;
  • главы, разделы, сводки (если они есть);
  • конфигурация призыва к действию (например, целевой URL-адрес, текст кнопки), отзывы, которые вы решили предоставить об этой функции, включая любые запросы или контент, которыми вы поделились в рамках своего отзыва;
  • субтитры, созданные на основе расшифровки.
• Любой текст, предоставленный пользователями, включая:
  • изменения в названии, описании и главах;
  • текст наложений (аннотации, стрелки, рамки и т. д.).

Для редактора Loom предусмотрены следующие меры в отношении ваших данных:

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI и Google;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей, моделей OpenAI или применимых моделей 3P;
• OpenAI, Google Vertex и AWS Bedrock являются субобработчиками из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Например, если у вас нет доступа к определенному видеоролику Loom, вы не сможете отредактировать его в редакторе Loom. Если вы не хотите, чтобы видеоролики Loom были доступны в ответах другим пользователям экземпляра, попросите администратора организации настроить права соответствующим образом.

Редактор видео с ИИ: функции Loom

Инструмент Loom для создания снимков экрана работает на основе больших языковых моделей, разработанных OpenAI, Anthropic и Google, а также ряда больших языковых моделей с открытым исходным кодом (включая серию Llama) и других моделей машинного обучения. В их число входят серия моделей GPT от OpenAI, серия моделей Claude от Anthropic и серия моделей Gemini от Google.

Инструмент Loom для создания снимков экрана использует эти модели, чтобы вы могли автоматически сгенерировать название для снимка экрана в приложении Loom для компьютеров или расширении для Chrome.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google. Подробнее о языковых моделях с открытым исходным кодом см. в справке по серии Llama.

Инструмент Loom для создания снимков экрана позволяет делать, комментировать, отправлять и хранить снимки экрана. Сейчас инструмент Loom для создания снимков экрана обладает следующими возможностями.

• Параметры захвата. Можно записать выбранную область, определенную вкладку или весь экран.
• Мгновенная отправка. Для каждого снимка экрана автоматически создается уникальная ссылка, которой можно поделиться. Больше не нужно загружать и отправлять файлы вручную.
• Инструменты аннотирования. Можно привлечь внимание к важным элементам, добавив в видеоролик текст, фигуры и стрелки прямо в редакторе Loom.
• Библиотека в облаке. Все снимки экрана автоматически сохраняются в вашей библиотеке Loom, где вы можете упорядочивать их по папка и тегам.

По нашему мнению, инструмент Loom для создания снимков экрана показывает наилучшие результаты в следующих случаях.

• На экране есть элементы, которые вы хотите выделить для привлечения внимания.
• Вам нужен простой способ делиться снимками экрана без загрузки и отправки файлов вручную.
• Вам часто требуется записывать разные области экрана: произвольную область, определенную вкладку или весь экран.
• Вам нужен простой способ централизованно управлять сохраненными снимками экрана.
• На снимке экрана достаточно информации, чтобы автоматически создать более точное название.

Важно помнить, что иногда модели, лежащие в основе инструмента Loom для создания снимков экрана, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, названия, сгенерированные с помощью инструмента Loom для создания снимков экрана, могут неточно отражать контент, на котором основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что в следующих случаях инструмент Loom для создания снимков экрана может оказаться не таким эффективным.

• Вам требуется редактировать видео в реальном времени. Инструмент Loom для создания снимков экрана позволяет редактировать только статичные снимки экрана.
• Вам требуется показывать действия в реальном времени, например демонстрировать баги, для чего требуются нажатия или прокрутка.
• Для сохранения контекста в сложных интерфейсах, например на дашбоардах со множеством панелей или в сценариях с несколькими экранами, лучше записать короткое видео вместо снимка экрана.
• Вам требуется зафиксировать интенсивное взаимодействие, например при проведении мозговых штурмов и совместной работе на досках в реальном времени.
• Процесс происходит без участия людей. Инструмент Loom для создания снимков экрана лучше всего работает с участием человека, который может проверить результат или руководить процессом.

По этой причине рекомендуется подумать о том, в каких ситуациях вы будете использовать инструмент Loom для создания снимков экрана, и проверять каждый снимок, прежде чем делиться им с другими.

Мы понимаем, что у вас могут возникнуть вопросы о том, как инструмент Loom для создания снимков экрана использует ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод, например снимок экрана) и ответы (вывод, например автоматически созданное название)
• Контекст из вашего экземпляра, связанный с вашим запросом, например снимки экрана, метаданные или другой текст, содержащийся на снимке экрана или рядом с ним.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для Loom Screenshots предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI, Google или Anthropic в AWS Bedrock;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей, моделей OpenAI или применимых моделей 3P;
• OpenAI, Google Vertex и AWS Bedrock являются субобработчиками из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Например, если у вас нет доступа к определенному видео Loom, вы не сможете редактировать этот контент с помощью Loom Screenshots. Если вы не хотите, чтобы видео Loom были доступны в ответах другим пользователям экземпляра, попросите администратора рабочей области настроить ваши права соответствующим образом.

Бесплатное создание снимков экрана для браузера Chrome

Функция «Создание с Rovo» работает на основе больших языковых моделей, разработанных OpenAI и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (включая серию Llama) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI и серия моделей Claude от Anthropic.

Функция «Создание с Rovo» использует эти модели для анализа, составления ответов на естественном языке и создания файлов поддерживаемых форматов в наших приложениях.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google. Подробнее о языковых моделях с открытым исходным кодом см. в справке по серии Llama.

С помощью функции «Создание с Rovo» пользователи могут одним нажатием попросить ИИ создать фрагмент контента (например, доску, документ в режиме реального времени, страницу или базу данных).

По нашему мнению, «Создание с Rovo» показывает наилучшие результаты в следующих случаях:

• Начало работы с нуля. С помощью функции «Создание с Rovo» пользователь может отправить запрос на создание черновика страницы Confluence, доски, базы данных, публикации в блоге или документа в режиме реального времени. Лучшие результаты получаются, если указать конкретную цель, желаемую аудиторию, а также контекст, который хотелось бы отразить в новом контенте.
• Создание структурированного контента на основе идей или заметок. Функция «Создание с Rovo» помогает превратить черновики, протоколы собраний или наброски идей в более упорядоченный контент, например в обзоры проектов, страницы стратегий, планы кампаний, примечания к релизу или пользовательские истории. Это наиболее эффективно, когда нужен осмысленный материал, от которого можно оттолкнуться, чтобы развить тему.
• Создание многоразовых шаблонов или форматов. Функция «Создание с Rovo» позволяет создавать черновики шаблонов, структур страниц или других начальных материалов для стандартных рабочих процессов в команде. В идеале сгенерированный ИИ контент следует воспринимать как черновик, который обязательно нужно сначала проверить на точность, полноту и соответствие и только потом рассылать или использовать.

Важно помнить, что иногда модели, используемые в качестве основы для функции «Создание с Rovo», могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы. Например, такие ответы могут некорректно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что функция «Создание с Rovo» может оказаться менее эффективной в следующих случаях:

• Вам нужны структурированные данные из базы знаний вашей организации. Функция «Создание с Rovo» лучше всего обрабатывает неструктурированные данные и информацию на естественном языке. При обработке структурированных данных точность может быть ниже.
• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Вы используете функцию «Создание с Rovo» для получения доступа к информации, недоступной вам из-за ограничений прав (например, к информации, содержащейся в закрытой базе знаний Confluence).
• Вы делаете опечатки в именах элементов (например, в названиях команд, именах людей) в запросах. Функция «Создание с Rovo» может не найти эти элементы в вашей базе знаний и либо выдать неполные результаты, либо перенести в них эти опечатки, приняв их за истину.
• Вы хотите, чтобы функция «Создание с Rovo» следовала конкретному шаблону, прикрепленному в поле запроса. Функция «Создание с Rovo» не является детерминированной, поэтому точное следование шаблону невозможно.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Отправляйте Rovo максимально конкретные запросы.
• Прежде чем применять для своего контента любой шаблон, сгенерированный искусственным интеллектом, его нужно проверить. Качество и полнота шаблонов, сгенерированных с помощью функции «Создание с Rovo» вами или другими пользователями, могут различаться. Это зависит от исходных запросов.

Мы понимаем, что у вас могут возникнуть вопросы о том, как функция «Создание с Rovo» использует ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши текстовые запросы (ввод) и ответы (вывод).
• Ваши голосовые запросы (ввод), введенные с помощью значка микрофона в поле запроса. Мы генерируем расшифровки аудиозаписей и используем их только для выполнения запроса.
• Контекст из вашего экземпляра, связанный с запросом, включая любые сторонние источники, подключенные к вашему экземпляру.
• Данные о том, как вы взаимодействуете с нашими функциями, например актуальные данные Teamwork Graph.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для функции «Создание с Rovo» предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Anthropic в AWS Bedrock;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей, моделей OpenAI или применимых моделей 3P;
• OpenAI и AWS Bedrock являются субобработчиками в нашем списке субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence, в ответах вам не будет предлагаться контент этой страницы. Если вы хотите ограничить доступность контента в ответах для других пользователей экземпляра, обратитесь к администратору организации, чтобы настроить права соответствующим образом.

Ресурсы по Rovo

Создание разделов в Jira с помощью Rovo происходит на основе больших языковых моделей, разработанных Google. В их число входит серия моделей Gemini от Google.

Функция «Создание с Rovo» использует эти модели для анализа и создания ответов на естественном языке в продуктах Atlassian.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Подробнее о возможностях моделей OpenAI.

Функция создания разделов в Jira с помощью Rovo помогает команде быстрее приступить к работе, превращая описание задач на простом языке в готовый к использованию раздел Jira. Благодаря этому вам не придется начинать с пустого шаблона и настраивать все вручную. Rovo использует ваш запрос и любой предоставленный контекст, например страницы Confluence, видео Loom или загруженные файлы, и на их основе создает шаблон раздела Jira. Этот шаблон содержит рекомендуемое название проекта, ключ, типы задач, статусы, элементы навигации и предложения по участникам команды.

По нашему мнению, «Создание с Rovo» показывает наилучшие результаты в следующих случаях:

• У вас есть четкое представление о том, что нужно вашей команде, и вы хотите получить раздел с соответствующей конфигурацией, вместо того чтобы выбирать и настраивать универсальный шаблон вручную.
• Вам нужно предоставить существующий контекст, например страницу Confluence, видео Loom или загруженный файл, чтобы ИИ преобразовал все это в конфигурацию раздела, соответствующую реальным рабочим процессам вашей команды. Лучшим примером будет снимок экрана существующей доски в Jira, Monday или Asana.
• Вы хотите сократить время на настройку типов задач, статусов и элементов навигации для нового проекта, чтобы команда могла немедленно приступить к работе.

Важно помнить, что иногда модели, используемые в качестве основы для функции «Создание с Rovo», могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, ответы могут неточно отражать контент, на котором основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что функция «Создание с Rovo» может оказаться менее эффективной в следующих случаях:

• У вас недостаточно контекста для запроса с указанием требований команды к разделу Jira. Функция «Создание с Rovo» лучше всего работает, когда вы предоставляете в запросе достаточно данных, на основе которых ИИ сможет выдать свои предложения.
• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Чтобы сгенерировать шаблон раздела Jira, необходимо предоставить функции «Создание с Rovo» доступ к информации, которая недоступна вам напрямую, например к разделам Jira или страницам Confluence, на просмотр которых у вас нет права.
• Ваш рабочий процесс является узкоспециализированным или нишевым. Функция «Создание с Rovo» будет предлагать названия рабочих процессов, но пока еще не может настраивать сложные средства автоматизации, которые имеются в рабочих процессах.
  

Функцию «Создание с Rovo» не следует использовать в случаях, когда требуется гарантированная точность конфигураций проектов, критически важных для обеспечения соответствия нормативным требованиям. Перед созданием раздела все предложения необходимо проверять.

Поэтому мы рекомендуем анализировать конфигурацию, сгенерированную ИИ, прежде чем создавать раздел и изменять любые предложения, которые не соответствуют потребностям команды.

Также стоит учесть следующее.

• Максимально точно прописывайте в запросе, чем именно занимается ваша команда и как необходимо настроить раздел. Например, точно укажите, какие типы задач или названия статусов вам нужны.
• Предоставление ИИ релевантного контекста, например страниц Confluence, видеозаписей Loom или загруженных файлов, помогает генерировать более точные рекомендации.
• Просмотр и подтверждение прав доступа для всех участников команды, предложенных ИИ, перед их добавлением в раздел.

Мы понимаем, что у вас могут возникнуть вопросы о том, как функция «Создание с Rovo» использует ваши данные для создания разделов в Jira. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (на входе) и сгенерированная ИИ конфигурация раздела (на выходе).
• Контекст из вашего экземпляра, относящийся к вашему запросу, например указанные вами страницы Confluence, вставленные видео Loom, файлы, загруженные в чат, информация о держателе, включая существующие типы задач, названия статусов и список названий разделов.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.
  

Для функции «Создание с Rovo» предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Anthropic в AWS Bedrock;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей, моделей OpenAI или применимых моделей 3P;
• Google Vortex является субобработчиками из нашего списка субобработчиков данных. Он не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Например, если у вас нет права доступа к определенной странице Confluence, функция «Создание с Rovo» не будет извлекать или использовать контент с этой страницы при создании конфигурации вашего раздела. Если вы не хотите, чтобы ваш контент был доступен в ответах другим пользователям экземпляра, попросите администратора организации настроить ваши права соответствующим образом.

Ресурсы по Rovo

Сводка отзывов о приложении Marketplace составляется с помощью больших языковых моделей, разработанных OpenAI, а также других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI.

В сводке отзывов о приложении Marketplace эти модели используются для анализа и создания текста на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Подробнее о возможностях моделей OpenAI.

Сводка отзывов о приложении Marketplace помогает понять, что реальные клиенты говорят о приложении, не читая каждый отзыв отдельно. Это краткая и понятная сводка общедоступных и подтвержденных отзывов, опубликованных на странице карточки приложения в Marketplace. В ней указывается, что нравится или не нравится клиентам, а также как они обычно используют приложение.

Сводка отзывов о приложении Marketplace будет полезнее всего в следующих случаях:

• Для выбранного приложения накопилось достаточно свежих отзывов на английском языке, чтобы можно было четко проследить закономерности.
• Вы хотите быстро посмотреть общее мнение о приложении до того, как начнете читать отдельные отзывы или сами попробуете его.
• Вы используете сводку не саму по себе, а как дополнение к карточке приложения, документации производителя и конкретным отзывам.

Также стоит учесть следующее:

• Сводка намеренно сделано краткой. В ней отражены только самые популярные темы и некоторые плюсы и минусы, поэтому какие-то конкретные нюансы могут не упоминаться.
• При составлении сводки учитываются только отзывы на английском языке.
• Если у приложения много пустых или почти пустых отзывов с высокой оценкой, в основу сводки могут лечь более развернутые отзывы. Поэтому в редких случаях описанное в ней впечатление клиентов может быть негативным, несмотря на высокий рейтинг приложения.
• На сводку могут влиять недавние отзывы о временной проблеме, расположенные на видном месте, пока не появятся новые отзывы.
• Сводки сохраняются в кэше на 24 часа и обновляются не после каждого нового отзыва, а по достижении их определенного порогового количества. В связи с этим последние отзывы могут учитываться не сразу.
• Если отзывов недостаточно для составления качественной сводки, она не выводится.

Важно помнить, что иногда модели, используемые для формирования сводки отзывов о приложении Marketplace, могут выдавать неточные, неполные или недостоверные результаты. Это связано с особенностями их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что сводка отзывов о приложении Marketplace менее эффективна в следующих случаях:

• У приложения очень мало отзывов либо они короткие, не по теме или написаны не на английском языке. В таких случаях сводка может быть непоказательной или не отображаться вовсе.
• Вам нужны точные и актуальные сведения о функциях, безопасности или известных багах приложения. Эти сведения правильнее всего искать на странице поставщика, в документации и в каналах поддержки.
• Вы принимаете решение о покупке, безопасности или нормативном соответствии приложения. Сводка — это только отправная точка, а не основание для окончательного решения.
• Вам нужна актуальная и точная информация о людях, местах и фактах.

Также стоит учесть следующее.

• Воспринимайте сводку как информацию, от которой можно оттолкнуться, а не как истину в последней инстанции. Прежде чем принимать решение, изучите не только ее, а хотя бы несколько отдельных отзывов (например, самые свежие) и ответы продавца.

Мы обрабатываем следующие данные.

• Подтвержденные общедоступные отзывы, их содержание, количество голосов, дату публикации и статус на карточке приложения Marketplace, для которого генерируется сводка.
• Данные о том, как вы взаимодействуете с этой функцией (например, отображается ли сводка), а также количество аналитических событий в разделе отзывов на странице карточки приложения.
• Обратную связь, которую вы предоставляете о сводке через заявки ECOHELP или общий инструмент сбора обратной связи.

Для сводки отзывов о приложении Marketplace предусмотрены следующие меры в отношении ваших данных:

Ваши входные и выходные данные:

• основываются только на отзывах, которые уже опубликованы в карточке в Marketplace и подтверждены. Частный контент из вашего экземпляра Atlassian в модель не передается;
• не включают ваши личные данные, такие как имя или идентификатор электронной почты. В сводке будет содержаться общий обзор отзывов клиентов о приложении;
• недоступны другим клиентам ни в каком виде, кроме как в общедоступной сводке в карточке приложения Marketplace;
• не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI, и отправляются только через внутренний шлюз Atlassian для ИИ;
• не хранятся у этих поставщиков дольше, чем это необходимо для обслуживания запроса;
• не используются для обучения или улучшения каких-либо сторонних больших языковых моделей.
• Если вы не хотите, чтобы ваш отзыв о приложении использовался при создании сводки с помощью упомянутой LLM, рекомендуем не публиковать его.

OpenAI является субобработчиком из нашего списка субобработчиков данных. Они не используют ни ваши входные, ни выходные данные ни для каких целей, кроме обработки вашего запроса.

Сгенерированные сводки сохраняются в кэше, чтобы другие клиенты Marketplace могли их быстро просмотреть. Сводки в кэше основаны только на публичных отзывах и не содержат никаких персональных данных или данных, имеющих отношение к экземпляру.

Функция генерации резюме задач с помощью ИИ работает на базе больших языковых моделей, разработанных OpenAI. В их число входит серия моделей GPT от OpenAI.

Функция генерации резюме задач с помощью ИИ использует эти модели для анализа информации о задачах Jira и генерации кратких резюме на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Подробнее о возможностях моделей OpenAI.

Функция генерации резюме задач с помощью ИИ предоставляет четкий и краткий обзор задачи Jira. В нем кратко описываются цель, текущий статус задачи и дальнейшие действия, чтобы вы могли быстро понять суть и приступить к работе, вместо того чтобы самостоятельно изучать подробное описание задачи и связанный с ней контекст.

По нашему мнению, функция генерации резюме задач с помощью ИИ показывает наилучшие результаты в следующих случаях.

• Вам нужен краткий обзор задачи, прежде чем принять решение о дальнейших действиях.
• Вы хотите получить наиболее важную информацию о задаче, не просматривая самостоятельно каждое поле или связанную задачу.
• Вы хотите узнать о ключевых принятых решениях.
• Вам нужно проанализировать одну или несколько задач, перегруженных информацией (например, с множеством комментариев, связанных задач и длинной историей), и вы хотите быстро понять, с чего начать.

Важно помнить: иногда модели, лежащие в основе функции генерации резюме задач с помощью ИИ, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что функция генерации резюме задач с помощью ИИ менее полезна в следующих случаях.

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Чтобы дать надлежащий ответ на ваш запрос, функции генерации резюме задач с помощью ИИ нужна информация, к которой у вас нет доступа (например, в вашем экземпляре).
• Вам нужны гарантированно полные или достоверные сведения о задаче. Резюме следует рассматривать как отправную точку, но оно не может заменить собой внимательное изучение сведений о задаче в случае необходимости.
• Исходная информация о задаче неполная, устаревшая, неоднозначная или противоречивая.
• Права или доступ к соответствующему контенту задачи недавно изменились, а резюме еще не обновлено.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Отправляйте Rovo максимально конкретные запросы.
• Необходимо поддерживать точность и актуальность полей задач, описаний, комментариев и связанных задач.
• Резюме должно отражать актуальную информацию о задаче, особенно если права, статус, владелец или связанные задачи недавно изменились.
• Резюме следует рассматривать как вспомогательный обзор, а не как замену самой задаче.

Мы понимаем, что у вас могут возникнуть вопросы о том, как функция генерации резюме задач с помощью ИИ использует ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, имеющий отношение к запросу, например данные задачи Jira, ее связи с другими задачами Jira и контекст связанных задач.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для функции генерации резюме задач с помощью ИИ предусмотрены следующие меры в отношении ваших данных:

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI;
  • не хранятся ни у каких поставщиков LLM;
  • не используются для улучшения больших языковых моделей или моделей OpenAI;
• OpenAI является субобработчиком из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Сгенерированные резюме видны только тем пользователям, у которых есть доступ к соответствующим задачам Jira, а для создания резюме используется только контент с неограниченным доступом. При изменении прав резюме обновляется, чтобы пользователи видели резюме только тех задач, к которым у них есть доступ. Если вы не хотите, чтобы ваш контент был доступен в ответах другим пользователям экземпляра, попросите администратора организации настроить ваши права соответствующим образом.

Ресурсы по Rovo

Оценка рисков, связанных с изменениями, с помощью Rovo (Оценка рисков, связанных с изменениями) выполняется на основе больших языковых моделей, разработанных OpenAI и Google, а также других моделей машинного обучения. В их число входят серии моделей GPT от OpenAI и Gemini от Google.

Функция оценки рисков, связанных с изменениями, использует эти модели для анализа и генерации ответов на естественном языке, а также для написания кода в продуктах Atlassian.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

В рамках функции оценка рисков, связанных с изменениями, анализируются технические и операционные риски для запросов на изменения в Jira Service Management по более чем 20 параметрам, включая оценку статического кода, конфликты изменений, инциденты и эффективность плана отката. Это дает ответственным за утверждение изменений ясное представление о рисках и позволяет принимать взвешенные решения, направленные на сокращение числа серьезных инцидентов. Эта функция также используется для выработки предложений в отношении мер по снижению выявленных рисков.

По нашему мнению, функция оценки рисков, связанных с изменениями, показывает наилучшие результаты в следующих случаях.

• Для подключенной базы знаний определены особые требования к оценке в настройках проекта.
• Соответствующим лицам, утверждающим изменения и отвечающим за запуск этой функции, предоставлен доступ ко всем источникам данных, которые необходимы для надлежащей оценки рисков, включая ссылки в запросах на изменение и комментариях.
• Используемые среды разработки, например Bitbucket или Github, подключены к Jira Service Management через конфигурации отслеживания/контроля развертывания изменений.
• Лица, ответственные за утверждение изменений, проинформированы о том, что они должны внимательно проверять сведения об оценке рисков и предлагаемые меры по их снижению, а также использовать эту функцию как один из факторов при принятии решения о работе с запросами на изменения, а не полагаться на нее как на единственное средство оценки.

Важно помнить, что иногда модели, используемые в качестве основы для оценки рисков, связанных с изменениями, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, ответы могут неточно отражать контент, на котором основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Согласно имеющимся данным, функция оценки рисков, связанных с изменениями, может быть менее эффективной в следующих случаях.

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Запрос на изменение содержит неверную, устаревшую или неполную информацию, например в описании или сведениях, либо не связан с соответствующими службами или активами.
• Не используются функции управления инцидентами и разбора инцидентов в Jira Service Management. В этом случае невозможно определить риски возникновения инцидента, а значит, функция управления рисками, связанными с изменениями, предоставит неполную картину рисков.
• Не используются службы или активы в Jira Service Management.
• Не применяются либо не подключены через отслеживание или управление ходом развертывания поддерживаемые инструменты CI/CD.
• В описание изменений не вставлены ссылки на запросы pull (только для изменений в программном обеспечении).
• Отключены задания (см. Рекомендации по снижению рисков) в типе задачи Jira Service Management. Если это так, то функция оценки рисков, связанных с изменениями, не сможет предложить меры по снижению рисков.
• Базы знаний, подключенные в настройках проекта, являются неполными, неточными или устаревшими.
• У вас или у участника вашей команды нет доступа к соответствующим источникам данных, таким как база знаний или среда разработки, которые упомянуты в запросе на изменение. В этом случае оценка рисков будет основана на ресурсах, к которым у вас есть доступ. Это значит, что степень рисков и предлагаемые меры по их снижению могут быть неточными и будут различаться для разных пользователей в зависимости от их прав доступа.
• Функция оценки рисков, связанных с изменениями, может использоваться для составления рекомендации по обоснованию принимаемых решений. Это не отменяет оценку рисков человеком. Окончательные решения по оценке рисков принимаются менеджерами по изменениям и утверждающими лицами.
• Менеджеры по изменениям и утверждающие отвечают за анализ оценки и проверку результатов до утверждения изменения.
• Принимая решения, всегда опирайтесь на опыт своей команды и правила вышей организации.
  

По этой причине мы рекомендуем подумать о том, в каких ситуациях вы будете использовать функцию оценки рисков, связанных с изменениями, а также проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Максимальное подробное описание запросов на изменения и подключенные базы знаний.
• Проверка результатов работы ИИ и использование их с учетом других показателей, а не в качестве единственного основания для принятия решений.
• Необходимость убедиться в том, что все участники команды, которые будут использовать эту функцию, имеют одинаковые права доступа к соответствующим базам знаний и другим подключенным к проекту ресурсам, чтобы применение этой функции давало схожие результаты.
• Отказ от использования функции оценки рисков, связанных с изменениями, для конфиденциальных проектов при отсутствии возможности ограничить круг участников, которые будут знать о применении и результатах работы этой функции.

Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются функцией оценки рисков, связанных с изменениями. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, относящийся к вашему запросу, и описание изменений или комментарии к ним, например о развертываниях, подключенных средах разработки и источниках базы знаний.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.
  

В рамках функции оценки рисков, связанных с изменениями, применяются следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI и Google;
  • не хранятся ни у каких поставщиков LLM;
  • не используются для улучшения моделей LLM;
• OpenAI и Google Vertex являются субобработчиками из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Например, если у вас нет доступа к среде развертывания, базе знаний или ссылке с ограниченным доступом, то в полученном ответе не учитываться контент с соответствующей страницы. Если вы не хотите, чтобы ваш контент был доступен в ответах другим пользователям экземпляра, попросите администратора организации настроить ваши права соответствующим образом.

Ресурсы по Rovo

Включите и настройте риски, связанные с изменениями, с помощью Rovo Ops

Оцените потенциальные риски, связанные с изменениями, с помощью Rovo Ops

API больших языковых моделей Forge работает на базе больших языковых моделей, разработанных компанией Anthropic. К числу этих моделей относится серия моделей Claude от Anthropic.

Большие языковые модели Forge используют эти модели для анализа и создания ответов на естественном языке в приложениях Forge, разработанных для работы с приложениями Atlassian.

Эти модели дают ответы на основе ввода от приложения Forge и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей Anthropic.

Большие языковые модели Forge — это функция, которая ускоряет создание приложений Forge, работающих на базе ИИ. Она предоставляет безопасный доступ к большим языковым моделям (LLM) через простой интерфейс API внутри платформы, не требующий передачи данных за пределы Atlassian Platform. Вы можете разрабатывать приложения Forge с функциями на базе генеративного ИИ, использующими большие языковые модели Forge, как для широкой аудитории (например, для распространения через Atlassian Marketplace), так и для внутреннего пользования в организации.

По нашему мнению, возможности больших языковых моделей Forge особенно полезны в следующих случаях.

• Вы создаете приложения Forge и хотите использовать функции ИИ без необходимости передавать данные за пределы Atlassian Platform.
• Вы хотите использовать ИИ, соответствующий принципам Atlassian по безопасному и ответственному применению.
• Вам нужен простой доступ к ведущим отраслевым моделям и интеллектуальным функциям в приложениях Forge.

Важно помнить, что иногда модели, используемые в качестве основы для этой функции Forge, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, ответы могут неточно отражать контент, на котором основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

По имеющимся данным, в следующих случаях применение больших языковых моделей Forge может оказаться не таким эффективным.

• Пользователям нужна актуальная и точная информация о людях, местах и фактах.
• Чтобы правильно ответить на запрос, приложению Forge понадобится информация, к которой у пользователей нет прямого доступа (например, в их экземпляре или через большие языковые модели Forge).
• Приложение должно предоставлять детерминированные или воспроизводимые результаты либо другие выводы.
• Вы хотите использовать в приложении модели, которые сейчас недоступны через большие языковые модели Forge.

Поэтому рекомендуется подумать, в каких ситуациях вы будете использовать большие языковые модели Forge, и посоветовать пользователям приложений проверять качество ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Определение специализированных практических примеров использования больших языковых моделей Forge в ваших приложениях.
• Соответствующая настройка запросов к большим языковым моделям Forge под эти примеры использования. Узнайте больше о методах разработки запросов для моделей Claude от Anthropic.
• Разработка эффективного плана тестирования для каждой функции на базе больших языковых моделей Forge.

Мы понимаем, что у вас могут возникнуть вопросы о том, как большие языковые модели Forge используют ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Запросы (ввод) и ответы (вывод), которые ваше приложение отправляет в большие языковые модели Forge.
• Контекст из экземпляра, в котором установлено ваше приложение, актуальный для этих запросов (например, страницы Confluence, по которым вам нужна сводка, или заявки JSM, которые вы хотите проанализировать).

Для больших языковых моделей Forge предусмотрены следующие меры в отношении ваших данных.

• Запросы приложения (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме Anthropic в AWS Bedrock;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
  • используются только для выполнения запросов приложения.
• AWS Bedrock является субобработчиком в нашем списке субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные при установке приложения Forge. Например, если у приложения Forge нет доступа к определенной странице Confluence, ее содержимое не может быть включено в данные, отправляемые модели или получаемые от нее. Если вы не хотите, чтобы контент был доступен в ответах другим пользователям экземпляра, попросите администратора организации настроить ваши права соответствующим образом.

API больших языковых моделей Forge (предпросмотр)

Поддержка Rovo работает на базе больших языковых моделей, разработанных OpenAI и Google, а также на основе комбинации других моделей машинного обучения. В их число входят серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Поддержка Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

О поддержке Rovo

Поддержка Rovo разработана в помощь командам, обслуживающим сотрудников (например, ИТ-отделу, отделу кадров и административно-хозяйственному отделу), и позволяет решать часто возникающие запросы на обслуживание непосредственно в Jira Service Management (JSM). В поддержке Rovo используются два ИИ-агента.

Агент по решению задач. Используется для быстрого решения задач. Он составляет план на основе предоставленных внутренних ресурсов, а затем выполняет его автономно (если выбран этот вариант) или под вашим контролем.

Агент по адаптации сотрудников. Создает планы по вводу в должность на основе настроенных путей адаптации. При необходимости можно отредактировать предложенный агентом план. Подтвержденный план адаптации можно выполнить с помощью Rovo под вашим контролем на каждом этапе.

Подробнее о контролируемом и автономном режимах выполнения.

Как работает поддержка Rovo

Агент по решению задач и агент по адаптации сотрудников обычно выполняют задачи следующим образом.

1. Анализируют новые запросы на обслуживание в JSM, в том числе резюме и описание запроса, а также соответствующие поля.
2. Извлекают и интерпретируют информацию из внутренних источников знаний (например, перечней процедур, корпоративных политик и статей), добавленных администраторами.
3. Создают структурированный пошаговый план решения для назначенного запроса, включая рекомендации по действиям, которые может выполнить Rovo, и шагам, которые должен выполнить специалист службы поддержки.
4. Реализуют подтвержденный или назначенный план. Для этого агенты:

• Выполняют действия в JSM (например, обновляют поля, изменяют статус, добавляют комментарии), если это разрешено.
• Вызывают настроенные инструменты и сторонние интеграции (например, Okta и IdentityNow) для выполнения задач, связанных с доступом.
• Передают некоторые этапы специалистам службы поддержки в случае недостаточной уверенности в возможности их выполнения.

Рекомендуемые сценарии использования поддержки Rovo

По нашему мнению, поддержка Rovo показывает наилучшие результаты в следующих случаях.

• В вашей организации есть четко определенные, задокументированные перечни процедур, статьи базы знаний и другие ресурсы, в которых достаточно подробно описаны шаги, необходимые для решения соответствующих типов запросов, включая пути для агента по адаптации сотрудников.
• Вы готовы создавать понятные и актуальные перечни процедур, пути и другую необходимую документацию для своей базы знаний. В этой документации должны быть описаны действия для различных типов запросов с указанием используемых инструментов, обязательных параметров, а также условий и исключений.
• Вы правильно подключаете сторонние инструменты, необходимые для выполнения тех или иных этапов в плане решения.
• Вы начинаете с узконаправленных, повторяющихся запросов с низким уровнем риска, которые вполне понятны и обрабатываются схожим образом. Это позволяет лучше оценить возможности поддержки Rovo и устранить пробелы в знаниях или правах доступа, прежде чем переходить к другим сценариям использования.
• Вы применяете автономный режим для выполнения простых и понятных повторяющихся типов запросов, которые обычно решаются по одному и тому же плану, например стандартных запросов на отладку программного обеспечения.

Важно помнить, что иногда модели, используемые в качестве основы для поддержки Rovo, могут выдавать неточные, неполные или ненадежные результаты. Это связано с принципами их работы.

Например, ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что в следующих случаях поддержка Rovo может оказаться не такой эффективной.

• Вам нужна актуальная и надежная информация о людях, местах или других реальных фактах, не относящихся к вашим системам.
• Вы ожидаете, что поддержка Rovo будет пытаться получить доступ к информации или выполнить действия в инструментах, к которым у нее нет доступа или для которых она не настроена. Поддержка Rovo не может обходить права на уровне продукта или работать с неподключенными инструментами.
• Внутренняя база знаний содержит недостаточно данных и материалов, информация в ней устарела или противоречива. Из-за этого поддержка Rovo не может составить корректный и надежный план.
• Рабочий процесс выполнения запроса слишком специализированный или требует частого вмешательства эксперта.
• Поддержка Rovo может быть не очень эффективна при работе с заявками в службу поддержки или базами знаний не на английском языке, поскольку мы еще должным образом не протестировали точность ответов на других языках.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Внутренние перечни процедур и статьи базы знаний должны быть актуальными и понятными. В них должно быть описано, какие конкретные действия и при каких условиях следует предпринимать и когда требуется эскалация для вмешательства специалиста.
• Тщательно проверяйте планы и выходные данные, особенно когда поддержка Rovo взаимодействует со сторонними инструментами или изменяет доступ пользователей.
• Используйте поддержку Rovo в качестве помощника, которому можно делегировать простые повторяющиеся задачи, чтобы не выполнять их вручную. Функция не может заменить специалистов при обработке сложных запросов, выполнение которых может сильно зависеть от контекста.
• Если вы решите использовать автономный режим, начните с простых, хорошо задокументированных типов запросов, шаги выполнения которых легко воспроизводимы.

Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются в поддержке Rovo. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, относящийся к запросу, например внутренние источники знаний (статьи в Confluence, раннее выполненные задачи JSM и другие данные, добавленные в базу знаний для поддержки Rovo).
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для поддержки Rovo предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI и Google;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
• OpenAI и Google Vertex являются субобработчиками из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Например, если у вас нет доступа к определенным источникам знаний в Confluence, в ответах вам не будет предлагаться контент соответствующих страниц. Если вы не хотите, чтобы ваш контент был доступен в ответах другим пользователям экземпляра, попросите администратора организации настроить ваши права соответствующим образом.

Ресурсы по Rovo

Оптимизируйте работу команды с помощью поддержки Rovo

Функция создания метаданных для шаблонов блоков с помощью ИИ работает на базе больших языковых моделей (LLM), разработанных Google и OpenAI. В их число входят серия моделей Gemini от Google и серия GPT от OpenAI.

Функция создания метаданных для шаблонов блоков с помощью ИИ использует эти модели для анализа и генерации текста на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей Google и OpenAI.

Когда вы создаете шаблоны для удобного повторного использования блоков контента в будущем, функция создания метаданных для шаблонов блоков с помощью ИИ экономит время, автоматически создавая заголовок и описание для шаблона на основе контента. Любой из предложенных вариантов можно принять, изменить или удалить.

По нашему мнению, функция создания метаданных для шаблонов блоков с помощью ИИ лучше всего работает в следующих сценариях:

• Когда необходимо, чтобы в будущем пользователи могли легко определить, к чему относится шаблон, и знали, когда его использовать.
• Когда создается множество шаблонов блоков за раз, и необходимо сосредоточиться на самих шаблонах, а не на составлении заголовков и описаний.
• Когда не удается самостоятельно придумать заголовок или описание для шаблона блока.

Важно помнить, что иногда модели, используемые в качестве основы в функции создания метаданных для шаблонов блоков с помощью ИИ, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами их работы.

Например, ответы могут неточно отражать контент, на котором основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что функция создания метаданных для шаблонов блоков с помощью ИИ может показать себя не так эффективно в следующих случаях:

• Когда используется язык, отличный от английского.
• Когда ваш шаблон блока очень короткий. В этом случае ИИ может не хватить контекста для создания полезного заголовка или описания.
• Когда шаблон блока содержит много контента на разные темы и охватывает разные предметы, что затрудняет для ИИ создание четкого заголовка и связного описания.
• Когда вы уже придумали конкретное название или описание.

Мы понимаем, что у вас могут возникнуть вопросы о том, как в функции создания метаданных для шаблонов блоков с помощью ИИ используются ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, относящийся к вашему запросу, например контент блоков, которые вы сохраняете как шаблон блока (на основе которого создаются предлагаемые варианты названия и описания).
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

В функции создания метаданных для шаблонов блоков с помощью ИИ, предусмотрены следующие меры в отношении ваших данных:

• Входные данные (контент блока, отправленный для получения рекомендаций) и выходные данные (предложенные заголовок и описание):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам LLM, кроме Google или OpenAI;
  • не хранятся у поставщика LLM;
  • не используются для улучшения LLM;
• Google и OpenAI являются субобработчиками в нашем списке субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция применяется только к контенту, который вы сохраняете как шаблон блока. Она не считывает другой контент из вашего экземпляра, а предложения генерируются исключительно на основе сохраняемых вами блоков.

• Прозрачность с Atlassian Intelligence
• Atlassian Intelligence Trust Center