Rovo zaprojektowano pod kątem przejrzystości

Funkcje AI ChatOps do zarządzania incydentami są obsługiwane przez duże modele językowe opracowane przez OpenAI, a także kombinację dużych modeli językowych typu open-source (w tym serii Llama) oraz innych modeli uczenia maszynowego. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI.

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

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

Przeczytaj więcej o funkcjonalności modeli OpenAI i o tym podejściu w artykułach badawczych OpenAI. Aby dowiedzieć się więcej o modelach językowych typu open source, zapoznaj się z informacjami na temat serii Llama.

AI ChatOps do zarządzania incydentami pomaga użytkownikom przyspieszyć proces rozstrzygania incydentów. Przedstawia podsumowanie odpowiedniego incydentu i wszystkich dotychczasowych rozmów na jego temat nowym użytkownikom po dodaniu ich do kanału Slack, który jest powiązany ze zgłoszeniem incydentu w Jira Service Management. Ponadto AI ChatOps do zarządzania incydentami może rejestrować rozmowy prowadzone na Slacku w narzędziu Jira Service Management w formie osi czasu do wykorzystania w przyszłości.

Naszym zdaniem AI ChatOps do zarządzania incydentami najlepiej sprawdza się w scenariuszach, w których:

• Twoja organizacja używa narzędzia Slack jako podstawowego narzędzia do współpracy w celu selekcjonowania i rozwiązywania incydentów;

• Twoja organizacja przestrzega protokołu dokumentowania rozmów związanych z incydentem w ramach zgłoszenia incydentu w Jira Service Management.

Należy pamiętać, że ze względu na sposób działania modeli używanych do obsługi AI ChatOps dla zarządzania incydentami mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki. Otrzymane odpowiedzi mogą na przykład nie odzwierciedlać dokładnie treści, na której zostały oparte, lub zawierać treść, która brzmi rozsądnie, jednak wprowadza w błąd lub nie jest wyczerpująca.

Z naszych doświadczeń wynika, że model AI ChatOps do zarządzania incydentami jest mniej przydatny w scenariuszach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;

• nie używasz komunikatora Slack jako głównego narzędzia Twojej organizacji do współpracy w celu selekcjonowania i rozwiązywania incydentów;

• Twój zespół nie ma dostępu do zgłoszenia incydentu w Jira Service Management lub do kanału Slack powiązanego ze zgłoszeniem incydentu, które jest właśnie klasyfikowane.

Dlatego zachęcamy do rozważenia sytuacji, w których można wykorzystać AI ChatOps do zarządzania incydentami i sprawdzania jakości uzyskanych odpowiedzi przed udostępnieniem ich innym osobom.

Warto też pomyśleć o przejrzeniu uprawnień, aby upewnić się, że użytkownicy mają odpowiedni poziom dostępu do odpowiednich zgłoszeń incydentów i kanałów Slack.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki AI ChatOps do zarządzania incydentami wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych na stronie często zadawanych pytań.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• kontekst instancji odpowiedni dla promptu, taki jak dane incydentów i wiadomości w połączonych kanałach Slack;
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• dowolne opinie, które przekazujesz na temat tej funkcji, w tym wszelkie prompty lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanych opinii.

W stosunku do Twoich danych AI ChatOps do zarządzania incydentami stosuje następujące środki:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI;
  • Nie są przechowywane przez OpenAI.
  • nie są wykorzystywane do ulepszania rozwiązań OpenAI ani żadnego innego zewnętrznego dostawcy LLM;
• OpenAI jest podwykonawcą przetwarzania znajdującym się na naszej stronie Podwykonawcy przetwarzania. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami dotyczącymi produktu. Przykładowo, jeśli nie masz dostępu do zgłoszenia incydentu, nie znajdziesz wystarczającego kontekstu podczas generowania AI ChatOps do zarządzania incydentami. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedzi dla innych użytkowników Twojego produktu, uzgodnij z administratorem organizacji odpowiednie ustawienia uprawnień dostępu dla zespołu.

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

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

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

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

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

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

Przeczytaj więcej o odpowiedziach sztucznej inteligencji w wirtualnym agencie obsługi.

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

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

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

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

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

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

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

Inne kwestie warte przemyślenia:

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

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki wersje robocze AI wykorzystują Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

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

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

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

Dowiedz się więcej o korzystaniu z Rovo

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

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

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

Przeczytaj więcej o możliwościach modeli OpenAI.

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

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

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

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

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

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

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

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

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

Przetwarzamy:

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

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

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

Dowiedz się więcej o korzystaniu z Rovo

Rovo Dev jest obsługiwany przez duże modele językowe opracowane przez OpenAI i Anthropic w usłudze AWS Bedrock i przez Anthropic w usłudze Google Vertex AI, a także kombinację innych modeli uczenia maszynowego. Te duże modele językowe obejmują serię modeli GPT OpenAI i serię modeli Claude firmy Anthropic.

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

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

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Anthropic.

Rovo Dev to uwzględniający kontekst agent sztucznej inteligencji dla profesjonalnych inżynierów oprogramowania. Rozumie język naturalny i kod oraz integruje się z narzędziami Atlassian, takimi jak Jira, Confluence i Bitbucket, a także z platformami programistycznymi innych firm, takimi jak GitHub. Ten obsługiwany przez warstwę Teamwork Graph firmy Atlassian agent wykorzystuje kontekst organizacyjny, firmową wiedzę i historię bazy kodów, aby przyspieszyć cykl tworzenia oprogramowania. Rovo Dev pomaga w planowaniu, generowaniu kodu, przeglądach i automatyzacji powtarzalnej pracy w odpowiedniej skali.

Pakiet produktów Rovo Dev zawiera:

• Rovo Dev w Bitbucket i GitHub: Rovo Dev integruje się zarówno z Bitbucket, jak i GitHub, aby sprawdzać pull requesty pod kątem wymagań technicznych i celów biznesowych. Pomaga dostrzec potencjalne problemy przed etapem produkcji i sprawdza, czy zmiany kodu są zgodne z kryteriami akceptacji Jira, skracając cykle przeglądów i zapobiegając poprawkom.

• Rovo Dev CLI: Rovo Dev CLI przenosi Rovo Dev bezpośrednio do interfejsu wiersza poleceń, przekształcając terminal w opartego na sztucznej inteligencji agenta programistycznego, który jest bezproblemowo integrowany z przepływem pracy Atlassian.

Naszym zdaniem Rovo Dev najlepiej sprawdza się w scenariuszach, w których:

• Potrzebujesz pomocy w zadaniach związanych z kodowaniem, takich jak pisanie nowego kodu, debugowanie istniejącego kodu lub zrozumienie złożonych baz kodu.
• Chcesz uzyskać informacje zwrotne z automatycznego przeglądu kodu w pull requestach, aby wychwycić potencjalne problemy i poprawić jakość kodu.
• Potrzebujesz pomocy przy typowych zadaniach programistycznych, takich jak refaktoryzacja, testowanie lub tworzenie dokumentacji.
• Chcesz skuteczniej rozwiązywać zgłoszenia Jiry, automatyzując wprowadzanie zmian w kodzie w połączonych repozytoriach.
• Twój zespół programistyczny chce stosować spójne standardy kodowania i najlepsze praktyki.

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

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

Z naszych doświadczeń wynika, że Rovo Dev jest mniej użyteczny w scenariuszach, w których:

• Potrzebujesz aktualnych i dokładnych informacji o osobach, miejscach i faktach, które nie są zawarte w Twojej bazie kodu, kontekście programistycznym ani dostępnych treściach Atlassian, takich jak strony Confluence lub zgłoszenia Jiry.
• Potrzebujesz Rovo Dev, aby uzyskać dostęp do informacji, które nie są łatwo dostępne w Twoim repozytorium, środowisku programistycznym lub powiązanych narzędziach Atlassian.
• Potrzebujesz doskonałej dokładności w przypadku kodu o krytycznym znaczeniu dla bezpieczeństwa lub wrażliwego pod względem bezpieczeństwa, bez weryfikacji przez człowieka, ponieważ nie należy stosować Rovo Dev w takich scenariuszach.
• Pracujesz z zastrzeżonymi lub wysoce poufnymi wzorcami kodu, które nie były częścią danych treningowych modelu. Rovo Dev może okazać się nieprzydatne podczas pracy z zupełnie nowymi technologiami, które nie zostały uwzględnione w danych treningowych modelu, ponieważ Rovo Dev może nie mieć wystarczającego kontekstu dotyczącego tych technologii, aby zapewnić użyteczne wyniki.
• Nie należy stosować Rovo Dev jako jedynej metody przeglądów zabezpieczeń, kontroli zgodności z przepisami lub w sytuacjach, w których poprawność kodu ma kluczowe znaczenie dla bezpieczeństwa lub wymogów regulacyjnych, bez odpowiedniego nadzoru ze strony człowieka.

• Dlatego zachęcamy do zastanowienia się nad sytuacjami, w których można skorzystać z Rovo Dev, i sprawdzania jakości uzyskanych odpowiedzi przed wdrożeniem sugerowanych zmian lub udostępnieniem ich innym.

Inne kwestie warte przemyślenia:

• Jak najbardziej konkretne formułowanie zadań dla Rovo Dev, w tym podawanie jasnych informacji kontekstowych dotyczących bazy kodu i wymagań.
• Sprawdzanie i testowanie wszelkich zmian w kodzie sugerowanych przez Rovo Dev przed wprowadzeniem ich do repozytorium.
• Zapewnienie, że środowisko programistyczne ma skonfigurowane odpowiednie uprawnienia i kontrole dostępu.
• Aktualizowanie dokumentacji repozytorium i komentarzy do kodu w celu zapewnienia lepszego kontekstu dla pomocy ze strony sztucznej inteligencji.
• Korzystanie z Rovo Dev jako narzędzia do współpracy, które uzupełnia przegląd kodu przez człowieka, a nie zastępuje ją.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki Rovo Dev wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych na naszej stronie poświęconej Rovo Dev.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe) podczas interakcji z Rovo Dev.
• Kontekst z Twojego środowiska programistycznego związany z promptem, taki jak pliki kodu i pull requesty w Bitbucket, zgłoszenia Jiry, treści z połączonych aplikacji innych firm, takich jak GitHub, lub połączonych serwerów MCP albo pliki lokalne na Twoim urządzeniu (w przypadku korzystania z Rovo Dev CLI).
• Dane dotyczące interakcji z naszymi funkcjami, takie jak wzorce użycia poleceń i narzędzia programistyczne, z których korzystasz.
• Opinie, które zdecydujesz się przekazać na temat tej funkcji, w tym wszelkie prompty lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Rovo Dev stosuje następujące środki w stosunku do Twoich danych:

Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):

• Nie są dostępne dla innych klientów
• Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI, Google Vertex AI lub Anthropic w usłudze AWS Bedrock.
• Nie są przechowywane przez OpenAI, Google Vertex AI ani Anthropic w usłudze AWS Bedrock.
• Nie są używane do ulepszania modeli OpenAI ani Antropic.

Przetwarzanie przez podmioty zewnętrzne:

• OpenAI i Google Vertex AI i Amazon Web Services (AWS Bedrock) są podrzędnymi podmiotami przetwarzającymi znajdującymi się na naszej liście podrzędnych podmiotów przetwarzających. Te podmioty nie wykorzystują Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.

Uprawnienia i dostęp:

• Rovo Dev przestrzega uprawnień w Twoim środowisku programistycznym i połączonych narzędziach Atlassian. Przykładowo, jeśli nie masz dostępu do niektórych repozytoriów lub projektów Jiry, Rovo Dev nie będzie uzyskiwać dostępu do treści z tych źródeł podczas generowania odpowiedzi.
• Jeśli nie chcesz, aby Twój kod lub treści były dostępne w odpowiedziach dla innych użytkowników w Twojej organizacji, skontaktuj się z administratorami systemu, aby upewnić się, że uprawnienia i kontrole dostępu są odpowiednio skonfigurowane.
• W Rovo Dev CLI użytkownicy mogą dodawać serwery MCP (Model Context Protocol) innych firm, aby zapewnić Rovo Dev dostęp do treści zewnętrznych. Integracja z dowolnym serwerem MCP innej firmy wymaga zatwierdzenia przez użytkownika i należy upewnić się, że są przestrzegane wszelkie warunki użytkowania określone przez tę firmę. Użytkownicy mogą wprowadzać prompty umożliwiające wysyłanie danych poza witrynę Atlassian, a dane wysyłane poza witrynę nie będą podlegać warunkom Atlassian.

Dowiedz się więcej o korzystaniu z Rovo Dev

Grupa społeczności Rovo Dev

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

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

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

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Google.

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

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

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

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

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

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

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

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

Inne kwestie warte przemyślenia:

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

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

Przetwarzamy:

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

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

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI i Google;
  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania modeli LLM.
• Wszyscy zewnętrzni dostawcy LLM są podwykonawcami przetwarzania znajdującymi się na naszej stronie podwykonawców przetwarzania. Podmioty te nie wykorzystują Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem wniosku.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Przykładowo jeśli nie masz dostępu do strony Confluence, nie będziesz widzieć tej funkcji ani nie będziesz w stanie podsumować strony za pomocą Rovo. Jeśli nie chcesz, aby Twoje treści były dostępne dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Przetwarzamy:

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

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

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

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

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

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

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Google.

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

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

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

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

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

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

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

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

Inne kwestie warte przemyślenia:

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

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

Przetwarzamy:

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

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

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI i Google;
  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania modeli LLM.
• Wszyscy zewnętrzni dostawcy LLM są podwykonawcami przetwarzania znajdującymi się na naszej stronie podwykonawców przetwarzania. Podmioty te nie wykorzystują Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem wniosku.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Na przykład jeśli nie masz dostępu do określonej strony Confluence, otrzymana odpowiedź nie będzie zawierać sugerowanej treści z tej strony. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

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

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

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

Przeczytaj więcej o możliwościach modeli OpenAI.

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

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

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

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

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

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

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

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki narzędzie do zmiany formatu zgłoszeń wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

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

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

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

Dowiedz się więcej o korzystaniu z Rovo

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

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

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

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Google.

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

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

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

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

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

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

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

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

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

Przetwarzamy:

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

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

• Twoje podpowiedzi (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI, Google lub Anthropic w usłudze AWS Bedrock.
  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania modeli LLM.
• Wszyscy zewnętrzni dostawcy LLM są podrzędnymi podmiotami przetwarzającymi i są wymienieni na naszej stronie Podrzędne podmioty przetwarzające. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Tylko agenci i administratorzy projektu widzą przycisk podsumowania.

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

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

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

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

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

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

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

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

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

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

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

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

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

Przetwarzamy:

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

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

• Twoje podsumowania:
  • Nie są dostępne dla innych klientów.
  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI, Google lub Anthropic w usłudze AWS Bedrock.
  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania modeli LLM.
• Wszyscy zewnętrzni dostawcy LLM są podrzędnymi podmiotami przetwarzającymi i są wymienieni na naszej stronie Podrzędne podmioty przetwarzające. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Przykładowo w przypadku braku dostępu do strony lub zgłoszenia w Jira, Confluence lub Google nie można podsumować treści z tego źródła. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

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

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

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

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

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

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

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

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

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

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

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

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

Przetwarzamy:

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Inne kwestie warte przemyślenia:

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

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki funkcja podziału pracy dzięki AI wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

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

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

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

Dowiedz się więcej o korzystaniu z Atlassian Intelligence

Agent spotkania jest obsługiwany przez duże modele językowe opracowane przez OpenAI i Google, a także kombinację innych modeli uczenia maszynowego. Modele te obejmują serię modeli GPT firmy OpenAI i serię modeli Gemini firmy Google.

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

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

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Google.

Agent spotkania jest dostępny dla użytkowników w organizacjach korzystających z kolekcji aplikacji Teamwork Collection (Jira, Confluence i Loom).

Agent spotkania jest dostępny w aplikacji komputerowej Loom i ma na celu pomagać użytkownikom poprawić doświadczenia związane ze spotkaniami, umożliwiając im nadrabianie zaległości w tematach, które ich ominęły, rejestrując elementy czynności do wykonania i pomagając im przygotować się do następnego spotkania.

Uważamy, że agent spotkania najlepiej sprawdza się w następujących scenariuszach:

• Chcesz zadawać pytania i otrzymywać informacje o bieżącym spotkaniu lub innych spotkaniach z cyklicznej serii.
• Potrzebujesz łatwo dostępnego sposobu zadawania pytań dotyczących bazy wiedzy Twojej firmy.

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

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

Z naszych doświadczeń wynika, że agent spotkania jest mniej użyteczny w scenariuszach, w których:

• Agent spotkania jest potrzebny, aby uzyskać dostęp do informacji o spotkaniu poza bieżącą sesją lub cykliczną serią.
• Agent spotkania jest potrzebny, aby uzyskać dostęp do informacji o spotkaniu, w którym transkrypcja nie jest dostępna.
• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• Agent spotkania jest potrzebny, aby uzyskać dostęp do informacji, które nie są łatwo dostępne (np. znajdują się w Twojej instancji) w celu udzielenia właściwej odpowiedzi na Twój wniosek.

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

Inne kwestie warte przemyślenia:

• Jak najbardziej konkretne formułowanie poleceń dla agenta spotkania.
• Wydanie agentowi spotkania polecenia „Przeszukaj sieć”, gdy chcesz, aby miał dostęp do szerszego zakresu informacji w celu odpowiadania na Twoje zapytania. Przykładowo jeśli chcesz wiedzieć „jak wygląda całkowity potencjalny rynek oprogramowania do wideokonferencji?”, agent spotkania będzie działał lepiej, jeśli dodasz do zapytania wyniki wyszukiwania w Internecie.
• Używanie agenta spotkania głównie do uzyskiwania dostępu do informacji i kontekstu istotnych dla zapisów spotkań i innych artefaktów. W kontekście organizacyjnym, który może być łatwiej dostępny poza artefaktami spotkania, zalecamy używanie Rovo. Przykładowo Rovo może lepiej nadawać się do udzielenia szybkiej odpowiedzi na pytania „kto jest szefem produktu?” lub „jakie będzie następne ogólnofirmowe święto w USA?”. Agenta spotkania warto użyć, aby szybko uzyskać dostęp do kontekstu organizacyjnego dotyczącego źródeł spoza artefaktów spotkań. W takich przypadkach zalecamy użycie Rovo.

Zdajemy sobie sprawę, że może Cię interesować, w jaki sposób agent spotkania wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszym Trust Center.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Transkrypcje wideo (choć nie same filmy)
• kontekst instancji odpowiedni do podpowiedzi; Przykładowo jeśli wprowadzisz pytanie „jakie są korzyści dla naszej firmy w roku 2026?”, możemy podać stronę Confluence zawierającą informacje o korzyściach, do której masz dostęp.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Jeśli chodzi o Twoje dane, agent spotkania stosuje następujące środki.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI i Google;
  • Nie są przechowywane przez OpenAI ani Google.
  • Nie są używane do ulepszania modeli OpenAI ani Google.
• Historia rozmów agentów spotkań obejmuje dostępne spotkania na 30 dni wstecz.
• Firmy OpenAI i Google są podrzędnymi podmiotami przetwarzającymi znajdującymi się na naszej liście podrzędnych podmiotów przetwarzających. Nie wykorzystują one Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Przykładowo jeśli nie masz dostępu do dokumentu zawierającego poufne zasady (strona Confluence) dotyczące innego zespołu, w otrzymanej odpowiedzi nie będą Ci sugerowane treści z tej strony. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Przeczytaj więcej o agencie spotkania

Agenty w Jirze są obsługiwane przez duże modele językowe opracowane przez OpenAI i Google. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI i serię modeli Gemini firmy Google.

Agenty w Jirze wykorzystują te modele do analizy oraz generowania odpowiedzi w języku naturalnym i kodu w Jirze.

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

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Google.

Agenty w Jirze umożliwiają przypisywanie agentów utworzonych w Studio lub agentów zewnętrznych, takich jak GitHub Copilot, do zgłoszeń w Jirze. Gdy do zgłoszenia zostanie dodany agent, nawiązywana jest z nim dwukierunkowa interakcja. Agenta można przypisać do zgłoszenia lub go uruchomić, gdy zgłoszenie przechodzi przez przepływ pracy.

Agenty pomagają w przygotowywaniu pierwszych wersji roboczych, szybkich podsumowań oraz realizacji konkretnych zadań, umożliwiając kontynuowanie pracy tam, gdzie jest śledzona. Bardziej zaawansowane agenty kodowania, takie jak Rovo Dev i GitHub Copilot, umożliwiają również generowanie kodu.

Po otrzymaniu zadania i zabraniu się do pracy agent przedstawia dane wyjściowe do przejrzenia w sekcji Agenty zgłoszenia. Tylko Ty możesz wyświetlić, wykorzystać i udostępnić dane wyjściowe agenta.

Gdy rezultat jest satysfakcjonujący, można udostępnić wynik jako komentarz do zgłoszenia, aby zespół również mógł go zobaczyć.

Po dodaniu agenta do przestrzeni można współpracować na cztery sposoby:

• dodać agenta w polu osoba przypisana;
• utworzyć wzmiankę @ o agencie w komentarzu;
• dodać agenta do zmian statusu w przepływie pracy;

• dodać agenta do kolumny na tablicy.

Uważamy, że agenty w Jirze najlepiej sprawdza się w następujących scenariuszach:

• Zgłoszenia zawierają wystarczający kontekst, taki jak szczegółowe opisy oraz powiązane materiały (strony Confluence, projekty lub wytyczne), dzięki czemu agenty mogą opierać swoje odpowiedzi na rzeczywistych działaniach zespołu, a nie na ogólnych sugestiach.
• Korzystasz ze specjalistycznych agentów utworzonych w Studio lub agentów kodowania (takich jak Rovo Dev czy GitHub Copilot), które dysponują odpowiednimi umiejętnościami i narzędziami do realizacji zadań, zwłaszcza w zakresie generowania kodu lub analizy technicznej.
• Aby utrzymać płynność pracy, można delegować precyzyjnie określone zadania (takie jak wstępne komentarze, kryteria akceptacji czy szkic zmian w kodzie) agentowi, podczas gdy osoby pracujące w zespole skupiają się na decyzjach wymagających większego zaangażowania oraz na ostatecznych akceptacjach.
• Chcesz iterować przy pomocy agenta, korzystając z kolejnych promptów, aby doprecyzować lub poprawić jego dane wyjściowe.

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

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

Z naszych doświadczeń wynika, że agenty w Jirze są mniej użyteczne w scenariuszach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• Potrzebujesz bardzo spójnych i regularnych danych wyjściowych, które nie podlegają żadnym zmianom, ponieważ odpowiedzi mogą się różnić z wielu powodów, w tym ze względu na uprawnienia użytkowników.
• Nie uczestniczą ludzie. Agenty działają najlepiej we współpracy z człowiekiem, który weryfikuje lub ukierunkowuje pożądane rezultaty.
• Zgłoszenie zawiera zbyt mało kontekstu, aby agent mógł rozpocząć pracę. Może się to zdarzyć, gdy w Twojej witrynie Jira lub połączonych aplikacjach i produktach nie ma wystarczającej ilości informacji, aby wiarygodnie zrozumieć zadanie. Może się to również zdarzyć, gdy agent potrzebuje dostępu do określonych artefaktów, takich jak projekty, fragmenty kodu lub wymagania, które nie zostały powiązane ani wymienione w zgłoszeniu.
• Agent utworzony w Studio nie ma odpowiednich umiejętności do przypisanego mu zgłoszenia. Więcej o dodawaniu umiejętności i narzędzi agentom.

• Zadanie wymaga negocjowania i komunikowania się z ludźmi. Agenty mogą podsumowywać różne punkty widzenia i proponować kolejne kroki, jednak nie sprawdzają się w uzgadnianiu stanowisk interesariuszy ani w podejmowaniu zobowiązań w imieniu zespołu.

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

Inne kwestie warte przemyślenia:

• Jak najdokładniejsze określenie w zgłoszeniu, czego oczekuje się od agenta.
• Udostępnienie istotnego kontekstu oraz łączy, z których agent może skorzystać (strony, łącza do repozytorium, kodu, projektów).
• Iteracja za pomocą kolejnych promptów w celu dopracowania lub poprawienia danych wyjściowych.

Zdajemy sobie sprawę, że może Cię interesować, w jaki sposób agenty w Jirze wykorzystują Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst z Twojej instancji istotny dla prompta, taki jak kontekst zgłoszenia oraz dane w Teamwork Graph, umożliwia znalezienie dodatkowych informacji, które mogą wesprzeć agenta w realizacji zadania.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Podczas korzystania z agentów w Jirze wobec Twoich danych stosowane są wymienione poniżej środki.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe) agentów utworzonych przez Atlassian lub Rovo Studio:
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI i Google;
  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania żadnych dużych modeli językowych.
• Jeżeli administrator zdecyduje się zainstalować lub włączyć agenta zewnętrznego za pomocą aplikacji ze sklepu Marketplace lub zewnętrznego serwera MCP, korzystanie z tego agenta podlega warunkom, polityce prywatności, zasadom przetwarzania danych oraz zasadom przechowywania danych określonym przez stronę trzecią.
  • Agenci zewnętrzni mogą korzystać z LLM, podrzędnych podmiotów przetwarzających dane, infrastruktury, okresów przechowywania danych oraz mechanizmów kontroli, które różnią się od stosowanych przez agentów utworzonych przez Atlassian lub Studio. Przed włączeniem lub użyciem agenta zewnętrznego należy zapoznać się z odpowiednimi warunkami oraz dokumentacją dostawcy zewnętrznego.
• OpenAI i Google Vertex są podrzędnymi podmiotami przetwarzającymi dane znajdującymi się na naszej liście podrzędnych podmiotów przetwarzających dane. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Jeśli na przykład nie masz dostępu do określonej strony Confluence, Twój agent nie będzie mógł uzyskać dostępu do tej strony w otrzymanej odpowiedzi. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.
• Agenty działają w imieniu użytkownika i otrzymują Twoje uprawnienia. Pobierają wyłącznie dane, do których masz dostęp, a ich dane wyjściowe pozostają prywatne, dopóki nie zdecydujesz się ich udostępnić lub nie wyzwolisz działania, które uczyni je widocznymi dla innych.

Współpraca nad zgłoszeniami za pomocą agentów opartych na sztucznej inteligencji

Zasoby Rovo

Aplikacja Jira Cloud for Slack wykorzystuje sztuczną inteligencję do obsługi funkcji wzmianek dotyczących Jiry w aplikacji. Ta funkcja jest obsługiwana przez duże modele językowe opracowane przez Google, a w szczególności przez modele z serii Gemini.

Aplikacja wykorzystuje te modele do analizowania i generowania odpowiedzi w języku naturalnym w aplikacji Slack oraz do podejmowania działań w imieniu użytkowników w Jirze.

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

Przeczytaj więcej o możliwościach modeli Google.

Zamieszczenie w aplikacji Slack wzmianki dotyczącej Jiry umożliwia zespołom rejestrowanie zgłoszeń i zarządzanie nimi bezpośrednio z dowolnego kanału w aplikacji Slack. Użycie wzmianki @Jira pozwala tworzyć zgłoszenia, aktualizować pola i przypisywać zadania w prostym języku, bez opuszczania wątku. Za pomocą wzmianki @Jira można także przypisać zadanie członkowi zespołu lub przekazać je agentowi. Konfiguracja zajmuje tylko kilka sekund, a projekt oraz preferencje są zapamiętywane na przyszłość.

Funkcja wzmianek dotyczących Jiry w aplikacji Slack ułatwia zespołom szybkie rejestrowanie zgłoszeń i podejmowanie odpowiednich działań w momencie, gdy pojawiają się one w rozmowie. Naszym zdaniem funkcja wzmianek dotyczących Jiry w aplikacji Slack najlepiej sprawdza się w scenariuszach, w których:

• Tworzysz zgłoszenia na podstawie rozmów w aplikacji Slack. Gdy w wątku aplikacji Slack zostanie zgłoszony błąd, podjęta decyzja lub pojawi się zadanie, możesz użyć wzmianki @Jira i opisać, czego potrzebujesz, aby utworzyć zgłoszenie w Jirze wraz z odpowiednim kontekstem.
• Aktualizujesz istniejące zgłoszenia. Możesz poprosić agenta o aktualizację statusu, priorytetu lub osoby przypisanej do istniejącego zgłoszenia w Jirze bezpośrednio w aplikacji Slack, bez konieczności otwierania Jiry.
• Przypisujesz zgłoszenie agentowi. Możesz poprosić Jirę o przypisanie pracy agentowi w celu rozpoczęcia realizacji.
• Edytujesz zgłoszenia śródwierszowo. Ty lub członkowie Twojego zespołu możecie edytować pola bezpośrednio, korzystając z rozwiniętej karty utworzonego lub zaktualizowanego zgłoszenia w wątku aplikacji Slack.
• Konfigurujesz ustawienia domyślne na poziomie kanału. Za pomocą polecenia /jira agent możesz ustawić domyślną witrynę Jiry, domyślny projekt oraz niestandardowe instrukcje dotyczące działania agenta w konkretnym kanale w aplikacji Slack.

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

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

Z naszych doświadczeń wynika, że korzystanie ze wzmianek @Jira w aplikacji Slack jest mniej użyteczne w scenariuszach, w których:

• Nie masz uprawnień w Jirze, co ogranicza Twoje możliwości wykonywania zapytań lub czynności.
• Wątek lub kanał w aplikacji Slack, z którego korzystasz, zawiera nieprecyzyjne lub niejasne sformułowania. W takiej sytuacji @Jira rzadziej tworzy lub aktualizuje poprawne zgłoszenia.
• Podajesz niejasne lub ogólnikowe instrukcje, dodając wzmiankę dotyczącą Jiry.
• W Twoim kanale lub wątku brakuje aktualnych i dokładnych informacji o osobach, miejscach i faktach.

Dlatego zachęcamy do zastanowienia się nad sytuacjami, w których można skorzystać z funkcji wzmianek @Jira w aplikacji Slack, i sprawdzenia jakości uzyskanych odpowiedzi.

Inne kwestie warte przemyślenia:

• Jak najbardziej konkretne formułowanie promptów.
• Przeformułowanie promptów.
• Przeglądanie utworzonych lub zaktualizowanych zgłoszeń Jiry pod kątem poprawności przed zamknięciem wątku aplikacji Slack.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki aplikacja Jira Cloud for Slack wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszym Centrum zaufania.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst z instancji istotny dla formułowanego promptu, na przykład aktualizacje zgłoszenia Jiry.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Aplikacja Jira Cloud for Slack stosuje następujące środki w stosunku do Twoich danych:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż Google;
  • nie są przechowywane przez Google;
  • nie są używane do ulepszania modeli Goggle;
• Google Vertex jest podrzędnym podmiotem przetwarzającym znajdującym się na naszej liście podrzędnych podmiotów przetwarzających. Nie wykorzystuje Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Przykładowo, jeśli nie masz uprawnień do tworzenia zgłoszeń, nie będziesz w stanie tego zrobić za pośrednictwem funkcji wzmianek dotyczących Jiry w aplikacji Slack.

Zasoby Rovo

Artykuł wsparcia

Strona w sklepie Slack Marketplace

Edytor Loom jest obsługiwany przez duże modele językowe opracowane przez OpenAI i Google, a także kombinację dużych modeli językowych typu open source (w tym serii Llama) i innych modeli uczenia maszynowego. Te modele obejmują serię GPT firmy OpenAI i serię Gemini firmy Google.

Edytor Loom wykorzystuje te modele do wyodrębniania i analizy treści z transkrypcji wideo oraz generowania tekstu w języku naturalnym w Loom.

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

Edytor Loom wykorzystuje te modele do wyodrębniania kontekstu z transkrypcji wideo. Najważniejsze możliwości to automatyczne generowanie tytułów, podsumowań i rozdziałów, a także edycja na podstawie transkrypcji oraz automatyczne usuwanie wypełniaczy i momentów ciszy.

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

Edytor Loom oferuje szereg możliwości opartych na sztucznej inteligencji, które mają na celu automatyczne ulepszanie filmów Loom. Obecnie edytor Loom oferuje następujące funkcje:

• Automatyczne tytuły: spersonalizowany tytuł filmu jest generowany automatycznie na podstawie kontekstu z transkrypcji wideo.
• Automatyczne podsumowania: podsumowanie jest generowane automatycznie po zakończeniu nagrania i wyświetlane w polu opisu poniżej filmu.
• Automatyczne rozdziały: Rozdziały są generowane automatycznie na podstawie tematów omawianych w filmie. Rozdział dzieli film na sekcje, dzięki czemu widzowie mogą łatwo się po nim poruszać.
• Przepływy pracy oparte na sztucznej inteligencji: przekształcanie filmu w dokument tekstowy, wiadomość lub zgłoszenie błędu, które można przesłać bezpośrednio do Jiry.
• Tłumaczenie napisów: automatyczne tłumaczenie napisów na różne języki.

Naszym zdaniem funkcja edytora Loom najlepiej sprawdza się w scenariuszach, w których chcesz:

• Tworzyć szybkie elementy pomagające w nawigacji: dziel filmy na sekcje za pomocą funkcji automatycznych rozdziałów, aby ułatwić nawigację.
• Tworzyć podsumowania gotowe do natychmiastowego udostępnienia: generuj automatycznie spersonalizowane automatyczne tytuły i automatyczne podsumowania zaraz po zakończeniu nagrania.
• Połączyć dokumentację wideo i tekstową: korzystając z przepływów pracy opartych na sztucznej inteligencji, przekształcaj treści wideo w zasoby tekstowe, takie jak standardowe procedury operacyjne, wiadomości lub zgłoszenia błędów, które można przesłać bezpośrednio do Jiry.
• Udoskonalić wypowiedź: zadbaj o bardziej profesjonalny ton, eliminując wypełniacze, takie jak „yyy” i „eee”, oraz wycinając długie pauzy.
• Skłonić odbiorców do działania: automatycznie generuj przycisk automatycznego wezwania do działania na podstawie kontekstu nagrania, aby wskazać kolejne kroki.
• Tłumaczyć napisy: automatycznie tłumacz napisy na różne języki.

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

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

Z naszych doświadczeń wynika, że funkcja edytora Loom jest mniej użyteczna w scenariuszach, w których:

• Potrzebujesz tłumaczenia na języki, które są mniej rozpowszechnione. Modele LLM zazwyczaj radzą sobie lepiej w przypadku języków, które są bardziej rozpowszechnione (i lepiej udokumentowane).
• Potrzebujesz bardzo spójnych i regularnych danych wyjściowych, które nie podlegają żadnym zmianom, ponieważ odpowiedzi mogą się różnić z wielu powodów.
• Nie uczestniczą ludzie. Edytor Loom działa najlepiej we współpracy z człowiekiem, który weryfikuje lub ukierunkowuje pożądane rezultaty.
• Musisz samodzielnie tworzyć nowe elementy graficzne lub obrazy, ponieważ edytor Loom skupia się przede wszystkim na tekście i podstawowym przycinaniu filmów.

Dlatego zachęcamy do zastanowienia się nad sytuacjami, w których można skorzystać z funkcji edytora Loom, a także do sprawdzania treści przed udostępnieniem ich innym.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki funkcja edytora Loom wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

• Kontekst z Twojej instancji istotny dla promptu, taki jak wybrany plik wideo, jego transkrypcja, metadane filmu oraz wszelkie teksty umieszczone w filmie lub dotyczące go.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.
• Sam plik wideo (strumień audio i wideo).
• Automatycznie wygenerowaną transkrypcję tego wideo (tekst).
• Wszelkie istniejące metadane dotyczące filmu, w tym:
  • tytuł, opis, tagi;
  • rozdziały/sekcje/podsumowania (jeśli już istnieją);
  • konfigurację wezwania do działania (np. docelowy adres URL, tekst przycisku), opinie przekazywane na temat tej funkcji, w tym wszelkie prompty lub treści udostępniane w ramach opinii.
  • Napisy wygenerowane na podstawie transkrypcji.
• Dowolny tekst wprowadzony przez użytkownika:
  • zmiany tytułu, podsumowania, rozdziałów;
  • tekst dodany za pomocą nakładek (adnotacje, strzałki, ramki itp.).

Funkcja edytora Loom stosuje poniższe środki w stosunku do Twoich danych.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI i Google;
  • Nie są przechowywane przez żadnego dostawcę LLM
  • Nie są używane do ulepszania żadnych dużych modeli językowych / OpenAI ani modeli 3P.
• OpenAI, Google Vertex i AWS Bedrock są podrzędnymi podmiotami przetwarzającymi znajdującymi się na naszej liście podrzędnych podmiotów przetwarzających. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Przykładowo, jeśli nie masz dostępu do określonego filmu Loom, nie będzie można wykorzystać edytora Loom do edycji tej treści. Jeśli nie chcesz, aby filmy Loom były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Edytor filmów oparty na sztucznej inteligencji: funkcje edycji filmów Loom

Funkcja zrzutów ekranu Loom jest obsługiwana przez duże modele językowe opracowane przez OpenAI, Anthropic i Google, a także kombinację dużych modeli językowych typu open source (w tym serii Llama) i innych modeli uczenia maszynowego. Te modele to seria GPT firmy OpenAI, seria Claude firmy Anthropic oraz seria Gemini firmy Google.

Funkcja zrzutów ekranu Loom wykorzystuje te modele, aby umożliwić generowanie automatycznego tytułu dla zrzutu ekranu Loom w aplikacji komputerowej lub rozszerzeniu do Chrome.

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

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

Funkcja zrzutów ekranu Loom umożliwia rejestrowanie zrzutów ekranu, dodawanie do nich adnotacji, udostępnianie ich oraz zapisywanie. Obecnie funkcja zrzutów ekranu Loom oferuje następujące możliwości:

• Opcje przechwytywania: możesz przechwycić wybrany obszar, konkretną kartę lub cały ekran.
• Błyskawiczne udostępnianie: każdy zrzut ekranu automatycznie generuje unikatowe łącze do udostępnienia, co eliminuje konieczność ręcznego pobierania i przekazywania plików.
• Narzędzia adnotacji: możesz ulepszać obrazy, dodając tekst, kształty i strzałki bezpośrednio w edytorze Loom, aby wyróżnić najważniejsze elementy.
• Biblioteka w chmurze: wszystkie zrzuty ekranu są automatycznie zapisywane w bibliotece Loom, w której można nimi zarządzać za pomocą folderów i tagów.

Naszym zdaniem funkcja zrzutów ekranu Loom najlepiej sprawdza się w scenariuszach, w których:

• Na ekranie znajdują się elementy, które chcesz wyróżnić i zwrócić na nie uwagę.
• Chcesz łatwo udostępniać zrzuty ekranu bez konieczności ręcznego pobierania czy przekazywania plików.
• Często potrzebujesz rejestrować różne fragmenty ekranu, na przykład wybrany obszar, konkretną kartę lub cały ekran.
• Chcesz w prosty sposób zarządzać zapisanymi zrzutami ekranu i gromadzić je w jednym miejscu.
• Twój zrzut ekranu zawiera wystarczająco dużo informacji, aby można było automatycznie wygenerować dokładniejszy tytuł.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych do obsługi funkcji zrzutów ekranu Loom, mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

Przykładowo tytuły automatycznie generowane przez funkcję zrzutów ekranu Loom mogą nie odzwierciedlać dokładnie treści, na której zostały oparte, lub zawierać treści, które brzmią rozsądnie, jednak wprowadzają w błąd lub nie są wyczerpujące.

Z naszych doświadczeń wynika, że funkcja zrzutów ekranu Loom jest mniej użyteczna w scenariuszach, w których:

• Musisz edytować film na żywo, ponieważ funkcja zrzutów ekranu Loom umożliwia edycję wyłącznie statycznych zrzutów ekranu.
• Musisz pokazać czynności wykonywane na żywo, na przykład zademonstrować błąd wymagający kliknięć lub przewijania.
• Złożone interfejsy użytkownika, takie jak pulpity z wieloma panelami lub procesy obejmujące wiele ekranów, lepiej prezentują się w formie krótkich filmów niż zrzutów ekranu, ponieważ pozwalają zachować kontekst.
• Prezentowana jest wysoce interaktywna współpraca, na przykład burze mózgów i korzystanie z tablic na żywo.
• Nie uczestniczą ludzie. Funkcja zrzutów ekranu Loom działa najlepiej we współpracy z człowiekiem, który weryfikuje lub ukierunkowuje rezultaty.

Dlatego zachęcamy do zastanowienia się nad sytuacjami, w których można skorzystać z funkcji zrzutów ekranu Loom, a także do sprawdzania każdego zrzutu ekranu przed udostępnieniem go innym.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki funkcja zrzutów ekranu Loom wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

• Twoje prompty (dane wejściowe) (np. zrzut ekranu) oraz odpowiedzi (dane wyjściowe) (np. automatycznie wygenerowany tytuł).
• Kontekst z Twojej instancji istotny dla promptu, taki jak zrzuty ekranu, metadane oraz wszelkie teksty umieszczone na zrzucie lub dotyczące go.
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Funkcja zrzutów ekranu Loom stosuje poniższe środki w stosunku do Twoich danych.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI, Google lub Anthropic w usłudze AWS Bedrock.
  • Nie są przechowywane przez żadnego dostawcę LLM
  • Nie są używane do ulepszania żadnych dużych modeli językowych / OpenAI ani modeli 3P.
• OpenAI, Google Vertex i AWS Bedrock są podrzędnymi podmiotami przetwarzającymi znajdującymi się na naszej liście podrzędnych podmiotów przetwarzających. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Przykładowo, jeśli nie masz dostępu do określonego filmu Loom, nie będzie można edytować tej treści za pomocą funkcji zrzutów ekranu Loom. Jeśli nie chcesz, aby filmy Loom były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem przestrzeni roboczej.

Bezpłatne zrzuty ekranu w przeglądarce Chrome

Funkcja Twórz z Rovo jest oparta na dużych modelach językowych opracowanych przez OpenAI i Anthropic, a także na kombinacji dużych modeli językowych open source (w tym serii Llama) oraz innych modeli uczenia maszynowego. Te duże modele językowe obejmują serię modeli GPT OpenAI i serię modeli Claude firmy Anthropic.

Funkcja Twórz z Rovo wykorzystuje te modele do analizowania i generowania języka naturalnego oraz obsługiwanych formatów plików w naszych aplikacjach.

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

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

Funkcja Twórz z Rovo umożliwia użytkownikom generowanie treści za pomocą prompta SI. Wystarczy jedno kliknięcie, aby utworzyć na przykład tablicę, dokument online, stronę, bazę danych lub posta na blogu.

Naszym zdaniem funkcja Twórz z Rovo sprawdza się najlepiej w tych scenariuszach:

• Rozpoczynanie pracy od zera. Funkcja Twórz z Rovo umożliwia wygenerowanie pierwszej wersji roboczej strony Confluence, tablicy, bazy danych, posta na bloga lub dokumentu na żywo. Działa to najlepiej, gdy użytkownicy określą jasny cel, docelowych odbiorców oraz istotny kontekst, który ma zostać uwzględniony w nowych treściach.
• Tworzenie uporządkowanych treści na podstawie pomysłów lub notatek. Funkcja Twórz z Rovo może przekształcić wstępne materiały, notatki ze spotkań lub pierwsze pomysły w bardziej uporządkowane treści, takie jak przeglądy projektów, strony strategii, plany kampanii, uwagi do wydań lub historyjki użytkownika. Najlepsze rezultaty można osiągnąć, gdy użytkownik szuka przydatnego punktu wyjścia, który może przejrzeć i dopracować.
• Generowanie szablonów lub formatów wielokrotnego użytku. Funkcja Twórz z Rovo może pomóc użytkownikom w przygotowaniu szablonów, struktur stron lub innych punktów wyjścia dla typowych przepływów pracy zespołu. Działa to najlepiej, gdy użytkownicy traktują wynik jako wersję roboczą wygenerowaną przez SI i przed jej udostępnieniem lub użyciem sprawdzają ją pod kątem dokładności, kompletności i dopasowania.

Trzeba pamiętać, że ze względu na swój sposób działania modele używane do obsługi funkcji Twórz z Rovo mogą czasami generować niedokładne, niekompletne lub niewiarygodne wyniki. Przykładowo otrzymane odpowiedzi mogą nie odzwierciedlać dokładnie zawartości, na której zostały oparte, lub zawierać treści, które brzmią rozsądnie, ale wprowadzają w błąd lub nie są wyczerpujące.

Z naszych obserwacji wynika, że funkcja Twórz z Rovo jest mniej przydatna w tych scenariuszach:

• Potrzebujesz ustrukturyzowanych danych z bazy wiedzy swojej organizacji. Funkcja Twórz z Rovo najlepiej sprawdza się w przypadku nieustrukturyzowanych danych i informacji w języku naturalnym, a w przypadku promptów dotyczących danych ustrukturyzowanych może być mniej precyzyjna
• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• Funkcja Twórz z Rovo pozwala na wykorzystanie informacji, które nie są dla Ciebie dostępne z powodu uprawnień (np. informacji w bazie wiedzy Confluence objętej ograniczeniami).
• W treści promptów pojawiają się literówki w nazwach jednostek (na przykład nazwach zespołów lub osób). Dzieje się tak, ponieważ funkcja Twórz z Rovo może nie być w stanie odnaleźć tych elementów w bazie wiedzy, przez co otrzymane wyniki mogą być niekompletne lub powielać literówki, traktując je jak poprawne.
• Chcesz, żeby funkcja Twórz z Rovo ponownie wykorzystała konkretny szablon dołączony do pola prompta. Funkcja ta nie działa w sposób deterministyczny, więc nie odwzoruje dokładnie tego szablonu.

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

Inne kwestie warte przemyślenia:

• Jak najbardziej konkretne formułowanie poleceń dla Rovo.
• Sprawdzanie każdego szablonu wygenerowanego przez SI przed zastosowaniem go do własnych treści. Szablony wygenerowane za pomocą funkcji Twórz z Rovo — zarówno przez Ciebie, jak i przez innych użytkowników — mogą różnić się pod względem jakości i kompletności w zależności od promptów użytych do ich utworzenia.

Rozumiemy, że możesz mieć pytania dotyczące sposobu, w jaki funkcja Twórz z Rovo wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w Trust Center.

Przetwarzamy:

• Twoje prompty tekstowe (dane wejściowe) i odpowiedzi (dane wyjściowe).
• Twoje prompty głosowe wprowadzane za pomocą ikony mikrofonu w polu prompta (dane wejściowe). Przetwarzamy nagranie audio w celu wygenerowania transkrypcji, a transkrypcje wykorzystujemy wyłącznie do zrealizowania żądania.
• Kontekst z Twojej instancji powiązany z promptem, w tym wszelkie źródła zewnętrzne połączone z Twoją instancją.
• Dane o tym, jak korzystasz z naszych funkcji, na przykład odpowiednie dane z Teamwork Graph.
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Funkcja Twórz z Rovo stosuje poniższe środki w stosunku do Twoich danych.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • Dane nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI lub Anthropic w usłudze AWS Bedrock.
  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania żadnych dużych modeli językowych / OpenAI ani modeli 3P.
• OpenAI i AWS Bedrock są podrzędnymi podmiotami przetwarzającymi znajdującymi się na naszej liście podrzędnych podmiotów przetwarzających. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Jeśli na przykład nie masz dostępu do określonej strony Confluence, otrzymana odpowiedź nie będzie zawierać sugerowanej treści z tej strony. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Zasoby Rovo

Tworzenie przestrzeni Jiry za pomocą Rovo jest obsługiwane przez duże modele językowe opracowane przez Google. Te duże modele językowe obejmują serię modeli Gemini firmy Google.

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

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

Przeczytaj więcej o możliwościach modeli OpenAI.

Wykorzystanie funkcji Twórz z Rovo do tworzenia przestrzeni Jiry pozwala zespołowi szybciej rozpocząć pracę, przekształcając sformułowany prostym językiem opis sposobu jego działania w gotową do użycia przestrzeń Jiry. Dzięki temu zespół nie musi zaczynać od pustego szablonu i konfigurować wszystkiego ręcznie. Funkcja wykorzystuje wprowadzony prompt oraz wszelkie dostarczone materiały kontekstowe, takie jak strony Confluence, filmy Loom czy przekazane pliki, a następnie generuje zestaw szablonów przestrzeni Jiry. Ten zestaw szablonów będzie zawierał rekomendowaną nazwę projektu, klucz, typy zgłoszeń, statusy, elementy nawigacyjne oraz sugestie dotyczące członków zespołu.

Naszym zdaniem funkcja Twórz z Rovo sprawdza się najlepiej w tych scenariuszach:

• Masz jasne wyobrażenie o tym, czego potrzebuje Twój zespół, i chcesz, aby przestrzeń została skonfigurowana zgodnie z tymi potrzebami, zamiast ręcznie wybierać i dostosowywać ogólny szablon.
• Chcesz udostępnić istniejący kontekst, na przykład stronę Confluence, film Loom lub przekazany plik, a następnie zlecić sztucznej inteligencji przekształcenie go w konfigurację przestrzeni, która odzwierciedla rzeczywiste przepływy pracy Twojego zespołu. Najlepszym przykładem byłby zrzut ekranu istniejącej tablicy z aplikacji Jira, Monday lub Asana.
• Chcesz ograniczyć nakład pracy związany z tworzeniem typów zgłoszeń, statusów i elementów nawigacyjnych do nowego projektu, aby Twój zespół mógł natychmiast przystąpić do pracy.

Trzeba pamiętać, że ze względu na swój sposób działania modele używane do obsługi funkcji Twórz z Rovo mogą czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

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

Z naszych obserwacji wynika, że funkcja Twórz z Rovo jest mniej przydatna w tych scenariuszach:

• Nie masz wystarczającego kontekstu dotyczącego potrzeb swojego zespołu w zakresie tej przestrzeni Jiry, aby uwzględnić go w prompcie. Funkcja Twórz z Rovo działa najlepiej, gdy w prompcie podasz wystarczającą ilość informacji, na podstawie których sztuczna inteligencja będzie mogła wygenerować swoje sugestie.
• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• Potrzebujesz, aby funkcja Twórz z Rovo miała dostęp do informacji, które nie są dla Ciebie łatwo dostępne (np. do przestrzeni Jiry lub stron Confluence, do których nie masz uprawnień dostępu) w celu wygenerowania dla Ciebie zestawu szablonów przestrzeni Jiry.
• Twój przepływ pracy jest bardzo specjalistyczny lub niszowy. Funkcja Twórz z Rovo zasugeruje nazwy przepływów pracy, jednak obecnie nie umożliwia jeszcze konfigurowania zaawansowanych automatyzacji związanych z tymi przepływami pracy.
  

Funkcji Twórz z Rovo nie należy używać w scenariuszach, w których wymagana jest gwarantowana dokładność konfiguracji projektów o kluczowym znaczeniu dla zgodności z przepisami. Przed utworzeniem przestrzeni należy przejrzeć wszystkie sugestie.

Z tego powodu zachęcamy do zapoznania się z konfiguracją wygenerowaną przez sztuczną inteligencję przed utworzeniem przestrzeni oraz do dostosowania wszelkich sugestii, które nie odpowiadają potrzebom zespołu.

Inne kwestie warte przemyślenia:

• Jak najdokładniejsze opisanie w prompcie, czym zajmuje się Twój zespół i jak chcesz, aby przestrzeń została skonfigurowana. Przykładowo precyzyjne określenie, jakich typów zgłoszeń lub nazw statusów oczekujesz.
• Dostarczenie odpowiedniego kontekstu, takiego jak strony Confluence, nagrania Loom lub przekazane pliki, aby pomóc sztucznej inteligencji w generowaniu dokładniejszych rekomendacji.
• Sprawdzenie i potwierdzenie uprawnień wszystkich członków zespołu sugerowanych przez sztuczną inteligencję przed dodaniem ich do przestrzeni.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki funkcja Twórz z Rovo wykorzystuje Twoje dane w celu tworzenia przestrzeni Jiry. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i wygenerowaną przez sztuczną inteligencję konfigurację przestrzeni (dane wyjściowe);
• kontekst z Twojej instancji związany z Twoim promptem, taki jak powiązane strony Confluence, wklejone filmy Loom, pliki przekazane na czacie, a także informacje o dzierżawie, takie jak istniejące typy zgłoszeń, nazwy statusów oraz lista nazw przestrzeni;
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Informacja zwrotna, którą przekazujesz na temat tej funkcji, w tym wszelkie prompty lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej informacji zwrotnej.
  

Funkcja Twórz z Rovo stosuje poniższe środki w stosunku do Twoich danych.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • Dane nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI lub Anthropic w usłudze AWS Bedrock.
  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania żadnych dużych modeli językowych / OpenAI ani modeli 3P.
• Google Vertex jest podrzędnym podmiotem przetwarzającym dane znajdującym się na naszej liście podrzędnych podmiotów przetwarzających dane. Nie wykorzystuje on Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Przykładowo, jeśli nie masz dostępu do określonej strony Confluence, funkcja Twórz z Rovo nie pobierze ani nie wykorzysta treści z tej strony podczas generowania konfiguracji przestrzeni. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Zasoby Rovo

Podsumowanie recenzji aplikacji w Marketplace jest oparte na dużych modelach językowych opracowanych przez OpenAI, a także na innych modelach uczenia maszynowego. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI.

Podsumowanie recenzji aplikacji w Marketplace wykorzystuje te modele do analizowania i generowania języka naturalnego w naszych usługach.

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

Przeczytaj więcej o możliwościach modeli OpenAI.

Podsumowanie recenzji aplikacji w Marketplace pomaga użytkownikom zrozumieć, co o aplikacji mówią prawdziwi klienci, bez konieczności czytania każdej opinii. Funkcja ta generuje krótkie, napisane prostym językiem podsumowanie publicznych, zatwierdzonych recenzji ze strony aplikacji w Marketplace. Podsumowanie obejmuje informacje o tym, co klienci cenią, czego nie lubią i jak zwykle korzystają z aplikacji.

Podsumowanie recenzji aplikacji w Marketplace sprawdza się najlepiej w tych scenariuszach:

• Wybrana aplikacja ma wystarczająco dużo aktualnych recenzji w języku angielskim, aby można było wyraźnie zidentyfikować najczęściej pojawiające się motywy.
• Chcesz szybko poznać ogólne nastroje klientów, zanim przeczytasz poszczególne recenzje lub wypróbujesz aplikację.
• Używasz podsumowania jako uzupełnienia strony aplikacji, dokumentacji dostawcy i poszczególnych recenzji, a nie jako jedynego źródła wiedzy.

O tym warto pamiętać:

• Podsumowanie celowo jest krótkie. Uwzględnia tylko najczęstsze motywy oraz kilka zalet i wad, więc pojedyncze niuanse mogą się w nim nie pojawić.
• Przy generowaniu podsumowania brane są pod uwagę wyłącznie recenzje napisane po angielsku.
• Gdy wiele wysoko ocenionych recenzji zawiera niewiele treści lub nie zawiera ich wcale, podsumowanie może w większym stopniu odzwierciedlać dłuższe, bardziej szczegółowe recenzje, przez co bywa czasem bardziej negatywne, nawet jeśli ogólna ocena w gwiazdkach jest pozytywna.
• Niedawne, wyeksponowane recenzje dotyczące tymczasowego problemu mogą wpływać na podsumowanie do czasu pojawienia się nowszych recenzji.
• Podsumowania są przechowywane w pamięci podręcznej przez 24 godziny i aktualizowane okresowo po osiągnięciu określonego progu nowych recenzji, a nie po każdej nowej recenzji, więc najnowsze recenzje mogą nie być jeszcze uwzględnione.
• Gdy recenzji jest zbyt mało, aby można je było rzetelnie podsumować, podsumowanie nie zostanie wyświetlone.

Należy pamiętać, że ze względu na swój sposób działania modele, na których opiera się podsumowanie recenzji aplikacji w Marketplace, mogą czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

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

Z naszych obserwacji wynika, że podsumowanie recenzji aplikacji w Marketplace jest mniej przydatne w tych scenariuszach:

• Aplikacja ma bardzo mało recenzji lub są one krótkie, nie na temat albo napisane w językach innych niż angielski. W takich przypadkach podsumowanie może nie być reprezentatywne lub może w ogóle nie zostać wyświetlone.
• Potrzebujesz precyzyjnych, aktualnych informacji o funkcjach aplikacji, jej poziomie zabezpieczeń lub znanych błędach. Wiarygodnymi źródłami takich informacji są strona aplikacji, dokumentacja dostawcy i kanały pomocy technicznej.
• Podejmujesz decyzję dotyczącą zakupu, bezpieczeństwa lub zgodności aplikacji. Podsumowanie to jedynie punkt wyjścia, a nie podstawa do ostatecznej decyzji.
• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;

Inne kwestie warte przemyślenia:

• Traktowanie podsumowania jako punktu wyjścia, a nie ostatecznej opinii. Przed podjęciem decyzji przeczytaj też kilka pojedynczych recenzji — w tym najnowsze oraz ewentualne odpowiedzi dostawcy.

Przetwarzamy:

• Publiczne, zatwierdzone recenzje, treść recenzji, liczba głosów, data publikacji i status recenzji — ze strony aplikacji w Marketplace — które wykorzystujemy do wygenerowania podsumowania.
• Dane o tym, jak korzystasz z funkcji, na przykład czy podsumowanie jest wyświetlane, oraz liczba zdarzeń analitycznych rejestrowanych w sekcji recenzji na stronie aplikacji.
• Opinie o podsumowaniu, które zdecydujesz się przekazać za pośrednictwem zgłoszeń ECOHELP lub ogólnego modułu zbierania opinii.

Funkcja podsumowania recenzji aplikacji w Marketplace przetwarza Twoje dane w opisany poniżej sposób.

Twoje dane wejściowe i wyjściowe:

• Podsumowania są oparte wyłącznie na recenzjach, które są już publiczne i zatwierdzone na stronie aplikacji w Marketplace. Do modelu nie są przesyłane żadne prywatne treści z Twojej instancji Atlassian.
• Podsumowanie nie będzie zawierać Twoich danych osobowych, takich jak imię i nazwisko czy adres e-mail. Będzie zawierać ogólny przegląd opinii klientów o aplikacji.
• Podsumowania nie są dostępne dla innych klientów w żadnej innej formie niż publicznie wyświetlane treści na stronie aplikacji w Marketplace.
• Podsumowania nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI i wyłącznie za pośrednictwem wewnętrznej usługi AI Gateway firmy Atlassian.
• Podsumowania nie są przechowywane przez dostawców dłużej, niż jest to potrzebne do zrealizowania żądania.
• Nie są wykorzystywane do trenowania ani ulepszania żadnych zewnętrznych dużych modeli językowych.
• Jeśli nie chcesz, aby Twoja recenzja aplikacji była wykorzystywana do generowania podsumowań za pomocą wspomnianego modelu LLM, zalecamy niepublikowanie recenzji.

OpenAI jest podwykonawcą przetwarzania znajdującym się na naszej liście podwykonawców przetwarzania. Podmioty te nie wykorzystują Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.

Wygenerowane podsumowania przechowujemy w pamięci podręcznej, aby można je było szybko wyświetlać innym klientom Marketplace. Podsumowania w pamięci podręcznej są oparte wyłącznie na publicznych recenzjach i nie zawierają żadnych danych osobowych ani danych związanych z instancją.

Podsumowania zgłoszeń wygenerowane przez SI bazują na dużych modelach językowych opracowanych przez OpenAI. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI.

Podsumowania zgłoszeń wygenerowane przez SI wykorzystują te modele do analizy informacji o zgłoszeniach w Jira i tworzenia krótkich, naturalnych podsumowań tekstowych w naszych usługach.

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

Przeczytaj więcej o możliwościach modeli OpenAI.

Podsumowania zgłoszeń wygenerowane przez SI pomagają uzyskać jasny, zwięzły przegląd każdego zgłoszenia w systemie Jira dzięki podsumowaniu jego celu, bieżącego statusu i kolejnych kroków. Dzięki temu można szybciej zrozumieć dane zgłoszenie i przejść do działania bez ręcznego czytania wszystkich szczegółów i zapoznawania się z kontekstem.

Uważamy, że generowane przez sztuczną inteligencję podsumowania zgłoszeń sprawdzają się najlepiej w scenariuszach, w których:

• Chcesz szybko zapoznać się ze zgłoszeniem, zanim zdecydujesz, co dalej robić.
• Chcesz zapoznać się z najważniejszymi informacjami dotyczącymi zgłoszenia bez konieczności czytania wszystkich pól lub ręcznego przeglądania powiązanych zgłoszeń.
• Chcesz zrozumieć, jakie kluczowe decyzje zostały podjęte.
• Musisz przejrzeć co najmniej jedno rozbudowane zgłoszenie (na przykład zawierających wiele komentarzy, powiązanych zgłoszeń i historię) i szukasz szybkiego sposobu, aby zorientować się, od czego zacząć.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych do obsługi generowanych przez sztuczną inteligencję podsumowań zgłoszeń mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

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

Z naszych doświadczeń wynika, że funkcja generowanych przez sztuczną inteligencję podsumowań zgłoszeń jest mniej użyteczna w scenariuszach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• Funkcja generowanych przez sztuczną inteligencję podsumowań zgłoszeń potrzebuje dostępu do informacji, które nie są łatwo dostępne (np. znajdują się w Twojej instancji), aby udzielić właściwej odpowiedzi na Twój wniosek.
• Potrzebujesz gwarantowanego i kompletnego lub wiarygodnego zapisu zgłoszenia. Podsumowanie ma stanowić punkt wyjścia i nie powinno zastępować zapoznania się ze szczegółami zgłoszenia w razie potrzeby.
• Podstawowe informacje o zgłoszeniu są niekompletne, nieaktualne, niejednoznaczne lub niespójne.
• Uprawnienia lub dostęp do treści danego zgłoszenia uległy ostatnio zmianie, a podsumowanie nie zostało jeszcze odświeżone.

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

Inne kwestie warte przemyślenia:

• Jak najbardziej konkretne formułowanie poleceń dla Rovo.
• Zapewnienie dokładności i aktualności pól zgłoszeń, opisów, komentarzy i powiązanych zgłoszeń.
• Potwierdzenie, że podsumowanie odzwierciedla aktualne informacje o zgłoszeniu, zwłaszcza gdy niedawno nastąpiły zmiany w zakresie uprawnień, statusu, właściciela lub powiązanych zgłoszeń.
• Traktowanie podsumowania jako przydatnego przeglądu, a nie zamiennika samego zgłoszenia.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki funkcja generowanych przez sztuczną inteligencję podsumowań zgłoszeń wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• kontekst z Twojej instancji związany z Twoim promptem, taki jak dane zgłoszenia Jiry i relacje między zgłoszeniami Jiry, oraz kontekst powiązanych zgłoszeń;
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Funkcja generowanych przez sztuczną inteligencję podsumowań zgłoszeń stosuje poniższe środki w stosunku do Twoich danych.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI;
  • nie są przechowywane przez żadnego dostawcę LLM;
  • Nie są używane do ulepszania żadnych dużych modeli językowych ani modeli OpenAI.
• OpenAI jest podrzędnym podmiotem przetwarzającym znajdującym się na naszej liście podrzędnych podmiotów przetwarzających. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Wygenerowane podsumowania są widoczne tylko dla użytkowników, którzy mają dostęp do odpowiedniego zgłoszenia Jiry, a do tworzenia podsumowań wykorzystywane są wyłącznie treści bez ograniczeń w dostępie. W przypadku zmiany uprawnień podsumowania są odświeżane, dzięki czemu użytkownicy widzą wyłącznie podsumowania zgłoszeń, do których mają dostęp. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Zasoby Rovo

Funkcja Ocena ryzyka zmiany z Rovo („Ocena ryzyka zmiany”) jest obsługiwana przez duże modele językowe opracowane przez OpenAI i Google oraz inne modele uczenia maszynowego. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI i Gemini firmy Google.

Funkcja Ocena ryzyka zmiany wykorzystuje te modele do analizy oraz generowania języka naturalnego i kodu w naszych produktach.

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

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Google.

Funkcja Ocena ryzyka zmiany ocenia ryzyka techniczne i operacyjne związane z wnioskami o zmiany w Jira Service Management w oparciu o ponad 20 parametrów, w tym statyczną analizę kodu, konflikty zmian, incydenty oraz skuteczność planu wycofywania zmian. Zapewnia osobom zatwierdzającym zmiany szeroki obraz ryzyka, ułatwiając im podejmowanie świadomych decyzji mających na celu ograniczenie poważnych incydentów. Ponadto przedstawia sugestie dotyczące środków ograniczających zidentyfikowane ryzyka.

Naszym zdaniem funkcja Ocena ryzyka zmiany najlepiej sprawdza się w scenariuszach, w których:

• Skonfigurowano połączoną bazę wiedzy z niestandardowymi wymaganiami oceny w ustawieniach projektu.
• Przyznano odpowiednim osobom zatwierdzającym zmiany, które będą korzystać z tej funkcji, dostęp do wszystkich niezbędnych źródeł danych potrzebnych do właściwej oceny ryzyka, w tym do łączy zawartych we wnioskach o zmiany i komentarzach.
• Połączono środowiska programistyczne, takie jak Bitbucket czy GitHub, z Jira Service Management za pomocą konfiguracji śledzenia/warunkowania wdrażania zmian.
• Osoby zatwierdzające zmiany są świadome i poinformowane, że muszą dokładnie zapoznać się ze szczegółami oceny ryzyka oraz proponowanych środków ograniczających ryzyko, a także traktować tę funkcję jako jeden z czynników przy podejmowaniu decyzji dotyczących wniosków o zmiany, zamiast nadmiernie polegać na niej jako jedynej podstawie oceny.

Trzeba pamiętać, że ze względu na swój sposób działania modeli używanych do obsługi funkcji Ocena ryzyka zmiany, mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

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

Z naszych doświadczeń wynika, że funkcja Ocena ryzyka zmiany jest mniej użyteczna w scenariuszach, w których:

• potrzebujesz aktualnych i dokładnych informacji o ludziach, miejscach i faktach;
• Twój wniosek o zmianę zawiera nieprawidłowe, nieaktualne lub niekompletne informacje, przykładowo w opisie lub szczegółach albo dlatego, że nie jest połączony z odpowiednimi usługami lub zasobami.
• Nie korzystasz z funkcji zarządzania incydentami ani przeglądu po incydencie w Jira Service Management. W takim przypadku nie można określić ryzyk związanych z incydentami, co może oznaczać, że funkcja Ocena ryzyka zmiany przedstawi niepełny obraz związanych z nimi zagrożeń.
• Nie korzystasz z usług ani zasobów w Jira Service Management.
• Nie korzystasz z obsługiwanych narzędzi CI/CD albo nie masz połączonych obsługiwanych narzędzi CI/CD za pośrednictwem funkcji śledzenia lub warunkowania wdrożeń.
• Nie podano niezbędnych łączy do pull requestów w opisie zmiany (dotyczy wyłącznie zmian w oprogramowaniu).
• Wyłączono zadania (patrz rozdział Sugestie środków ograniczających) jako typ zgłoszenia w Jira Service Management. W takim przypadku funkcja Ocena ryzyka zmiany nie będzie mogła utworzyć kroków dotyczących środków ograniczających ryzyko.
• Bazy wiedzy połączone w ustawieniach projektu są niekompletne, zawierają nieścisłości lub są nieaktualne.
• Ty lub członek Twojego zespołu nie macie dostępu do odpowiednich źródeł danych, takich jak baza wiedzy lub środowisko programistyczne wymienione we wniosku o zmianę. W takim przypadku ocena ryzyka będzie oparta na zasobach, do których masz dostęp, co może oznaczać, że wynik oceny ryzyka oraz sugerowane środki ograniczające ryzyko mogą być niedokładne i będą się różnić między poszczególnymi osobami w zależności od ich uprawnień dostępu.
• Funkcja Ocena ryzyka zmiany zapewnia wskazówki wspomagające podejmowanie decyzji. Nie zastępuje przeglądu przeprowadzanego przez człowieka. Ostateczne decyzje dotyczące oceny ryzyka należą do menedżerów ds. zmian i osób zatwierdzających.
• Menedżerowie ds. zmian i osoby zatwierdzające są odpowiedzialni za przegląd oceny i weryfikację wyników przed zatwierdzeniem zmiany.
• Podejmując decyzje, należy zawsze korzystać z wiedzy specjalistycznej zespołu i zasad obowiązujących w organizacji.
  

Dlatego zachęcamy do zastanowienia się nad sytuacjami, w których można skorzystać z funkcji Ocena ryzyka zmiany, a także do sprawdzania jakości uzyskanych odpowiedzi przed udostępnieniem ich innym.

Inne kwestie warte przemyślenia:

• Podawanie jak największej ilości szczegółów w opisach wniosków o zmiany oraz dołączonych bazach wiedzy
• Weryfikowanie wyników sztucznej inteligencji i traktowanie ich jako jednego ze wskaźników, a nie poleganie wyłącznie na nich przy podejmowaniu decyzji
• Zapewnienie, aby wszyscy członkowie zespołu, którzy będą korzystać z tej funkcji, mieli takie same uprawnienia dostępu do odpowiednich baz wiedzy oraz innych zasobów połączonych z projektem, dzięki czemu będą uzyskiwać podobne wyniki po zastosowaniu tej funkcji
• Niekorzystanie z funkcji Ocena ryzyka zmiany w przypadku projektów poufnych, chyba że można ograniczyć krąg uczestników projektu, którzy będą mieli dostęp do tej funkcji i jej wyników.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki funkcja Ocena ryzyka zmiany wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• kontekst z Twojej instancji związany z Twoim promptem oraz opis/komentarze dotyczące zmian, takie jak wdrożenia, połączone środowiska programistyczne i udostępnione źródła bazy wiedzy;
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Informacja zwrotna, którą przekazujesz na temat tej funkcji, w tym wszelkie prompty lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej informacji zwrotnej.
  

Funkcja Ocena ryzyka zmiany stosuje poniższe środki w stosunku do Twoich danych.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI i Google;
  • nie są przechowywane przez żadnego dostawcę LLM;
  • nie są używane do ulepszania żadnych modeli LLM;
• OpenAI i Google Vertex są podrzędnymi podmiotami przetwarzającymi znajdującymi się na naszej liście podrzędnych podmiotów przetwarzających. Nie wykorzystują oni Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Przykładowo, jeśli nie masz dostępu do środowiska wdrożeniowego, bazy wiedzy lub łącza z ograniczeniami, w otrzymanej odpowiedzi nie zostaną wyświetlone treści z tego źródła. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Zasoby Rovo

Włączanie i konfigurowanie oceny ryzyk zmian za pomocą Rovo Ops

Ocenianie potencjalnych ryzyk zmian za pomocą Rovo Ops

Interfejs API modeli LLM Forge („modele LLM Forge”) jest obsługiwany przez duże modele językowe opracowane przez Anthropic. Te duże modele językowe obejmują serię modeli Claude firmy Anthropic.

Modele LLM Forge wykorzystują te modele do analizowania i generowania języka naturalnego w aplikacjach Forge, opracowanych z myślą o współpracy z aplikacjami Atlassian.

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

Przeczytaj więcej o możliwościach modeli Anthropic.

Modele LLM Forge umożliwiają programistom szybsze tworzenie aplikacji Forge opartych na sztucznej inteligencji, zapewniając bezpieczny dostęp do dużych modeli językowych za pośrednictwem prostego interfejsu API platformy, który nie wymaga przesyłania danych poza Atlassian Platform. Możesz tworzyć aplikacje Forge wykorzystujące funkcje generatywnej sztucznej inteligencji za pomocą modeli LLM Forge, zarówno z myślą o dystrybucji i użyciu przez podmioty zewnętrzne (np. za pośrednictwem Atlassian Marketplace), jak i wyłącznie na potrzeby własnej organizacji.

Naszym zdaniem modele LLM Forge działają najlepiej w scenariuszach, w których:

• Tworzysz aplikacje Forge i chcesz korzystać z funkcji opartych na sztucznej inteligencji, które nie wymagają, aby dane wychodziły poza Atlassian Platform.
• Chcesz korzystać ze sztucznej inteligencji zaprojektowanej zgodnie ze zobowiązaniem Atlassian do bezpiecznego i odpowiedzialnego wykorzystywania sztucznej inteligencji.
• Potrzebujesz łatwego dostępu do wiodących modeli i funkcji inteligentnych w swoich aplikacjach Forge.

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

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

Z naszych doświadczeń wynika, że modele LLM Forge są mniej użyteczne w scenariuszach, w których:

• Użytkownicy potrzebują aktualnych i dokładnych informacji o osobach, miejscach i faktach.
• Użytkownicy będą potrzebować, aby Twoja aplikacja Forge miała dostęp do informacji, które nie są dla nich łatwo dostępne (na przykład w ich instancji lub za pośrednictwem modeli LLM Forge), w celu udzielenia właściwej odpowiedzi na żądanie.
• Twoja aplikacja musi zapewniać wyniki lub inne dane wyjściowe, które są deterministyczne lub możliwe do odtworzenia.
• Chcesz, aby Twoja aplikacja miała dostęp do modeli, które nie są obecnie dostępne za pośrednictwem modeli LLM Forge.

Dlatego zachęcamy do przemyślenia, w jakich sytuacjach korzystasz z modeli LLM Forge, a także do zalecania użytkownikom, aby przed udostępnieniem odpowiedzi innym osobom sprawdzali ich jakość.

Inne kwestie warte przemyślenia:

• Określenie wąskich, praktycznych przykładów zastosowania modeli LLM Forge w aplikacjach.
• Dostosowywanie promptów używanych z modelami LLM Forge do tych przypadków użycia. Przeczytaj więcej o technikach inżynierii promptów dla modeli Claude firmy Anthropic.
• Opracowanie skutecznego planu testów funkcji opartych na modelach LLM Forge.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki modele LLM Forge wykorzystują Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

• Prompty (dane wejściowe) i odpowiedzi (dane wyjściowe), które aplikacja przesyła do modeli LLM Forge.
• Kontekst z instancji, w której zainstalowano aplikację, istotny dla tych promptów, na przykład strony Confluence do podsumowania lub zgłoszenia JSM do przeanalizowania.

Podczas korzystania z modeli LLM Forge wobec Twoich danych stosowane są wymienione poniżej środki.

• Prompty (dane wejściowe) i odpowiedzi (dane wyjściowe) Twojej aplikacji:
  • Nie są dostępne dla innych klientów.
  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż Anthropic w usłudze AWS Bedrock.
  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania żadnych dużych modeli językowych.
  • Są używane wyłącznie do realizacji żądań aplikacji.
• AWS Bedrock jest podrzędnym podmiotem przetwarzającym wymienionym na naszej liście podrzędnych podmiotów przetwarzających. Podmioty te nie wykorzystują Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Funkcja działa zgodnie z uprawnieniami nadanymi podczas instalacji aplikacji Forge. Przykładowo, jeśli aplikacja Forge nie ma dostępu do określonej strony Confluence, nie można jej uwzględnić w danych przesyłanych do LLM ani odbieranych z LLM. Jeśli nie chcesz, aby treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Interfejs API modeli LLM Forge (podgląd)

Usługa Rovo jest obsługiwana przez duże modele językowe opracowane przez OpenAI i Google, a także kombinację innych modeli uczenia maszynowego. Te duże modele językowe obejmują serię modeli GPT firmy OpenAI i serię modeli Gemini firmy Google.

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

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

Dowiedz się więcej o możliwościach modeli OpenAI i modeli Google.

O usłudze Rovo

Usługa Rovo została stworzona z myślą o wsparciu zespołów usługowych mających kontakt z pracownikami (takich jak IT, HR czy administracja) przez obsługę typowych, powtarzalnych wniosków o usługę bezpośrednio w Jira Service Management (JSM). Usługa Rovo oferuje dwie funkcje.

Agent ds. rozwiązania umożliwia szybkie rozwiązywanie zgłoszeń przez generowanie planu z wykorzystaniem dostępnych zasobów wewnętrznych, a następnie wykonanie tego planu samodzielnie (jeśli zostanie wybrana taka opcja wykonania) lub pod swoim nadzorem.

Agent ds. onboardingu pracowników tworzy plany onboardingu dla nowych pracowników na podstawie ścieżek skonfigurowanych przez Ciebie. W razie potrzeby sugerowany plan można edytować. Po zatwierdzeniu ostateczny plan onboardingu może być wykonany za pomocą Rovo pod Twoim nadzorem na każdym etapie.

Dowiedz się więcej o trybach wykonania: nadzorowanym i samodzielnym.

Jak działa usługa Rovo

Zarówno agent ds. rozwiązania, jak i agent ds. onboardingu pracowników zazwyczaj wykorzystują:

1. analizowanie nowych wniosków o usługę w JSM obejmujące podsumowanie wniosku, opis oraz odpowiednie pola;
2. pozyskiwanie i interpretowanie wewnętrznej wiedzy (takiej jak wykazy procedur, dokumenty dotyczące zasad czy artykuły wewnętrzne), które zostały powiązane przez administratorów jako źródła wiedzy wewnętrznej;
3. tworzenie uporządkowanego, szczegółowego planu rozwiązania dotyczącego przydzielonego wniosku, obejmującego zalecane działania, które może wykonać Rovo, oraz czynności, które musi wykonać pracownik obsługi;
4. wykonanie zatwierdzonego lub przydzielonego planu przez:

• wykonanie działań w JSM (takich jak aktualizowanie pól, zmiana statusu, dodawanie komentarzy), jeśli jest to dozwolone;
• wezwanie skonfigurowanych narzędzi oraz integracji innych firm (np. Okta i IdentityNow) do wykonania zadań związanych z dostępem;
• przekazywanie czynności pracownikom, gdy ma niską pewność co do wykonania danego kroku.

Zalecane przykłady zastosowania usługi Rovo

Uważamy, że usługa Rovo działa najlepiej w scenariuszach, w których:

• organizacja posiada jasno określone, udokumentowane wykazy procedur, artykuły wiedzy oraz inne zasoby, które zawierają wystarczająco szczegółowe informacje na temat kroków niezbędnych do obsługi odpowiednich typów wniosków, w tym ścieżek dla agenta ds. onboardingu pracowników;
• chcesz inwestować w tworzenie przejrzystych, aktualnych wykazów procedur, ścieżek oraz innej odpowiedniej dokumentacji w ramach bazy wiedzy, opisującej działania konieczne w przypadku różnych typów wniosków, w tym z jakich narzędzi należy korzystać, jakie parametry są wymagane oraz jakie warunki lub wyjątki mogą wystąpić;
• prawidłowo łączysz narzędzia innych firm wymagane do realizacji poszczególnych kroków w planie rozwiązania;
• zaczynasz od obarczonych niskim ryzykiem, precyzyjnie określonych i powtarzalnych typów wniosków, które są zrozumiałe i obsługiwane za każdym razem podobnie, co pozwala lepiej ocenić funkcje usługi Rovo oraz zidentyfikować ewentualne luki w wiedzy lub dostępie przed rozszerzeniem na inne przykłady zastosowania;
• wykorzystujesz tryb samodzielnego wykonania w przypadku powtarzalnych, prostych i zrozumiałych typów wniosków, które zazwyczaj mają taki sam plan rozwiązania, np. rutynowe wnioski dotyczące debugowania oprogramowania.

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

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

Z naszych doświadczeń wynika, że usługa Rovo jest mniej użyteczna w scenariuszach, w których:

• potrzebujesz aktualnych i wiarygodnych informacji o osobach, miejscach lub innych rzeczywistych faktach spoza własnych systemów;
• oczekujesz, że usługa Rovo wykorzysta informacje lub wykona działania w narzędziach, do których nie ma dostępu lub w których nie została skonfigurowana, tymczasem nie może ona omijać uprawnień do produktów ani wykonywać działań w narzędziach, które nie są połączone;
• Twoja wewnętrzna baza wiedzy jest niekompletna, nieaktualna lub niespójna, co utrudnia usłudze Rovo opracowanie bezpiecznego i wiarygodnego planu;
• przepływ pracy dotyczący wniosku jest wysoce zindywidualizowany lub wymaga częstej i złożonej oceny przez człowieka.
• Usługa Rovo może nie być szczególnie pomocna podczas pracy ze zgłoszeniami serwisowymi lub bazami wiedzy w językach innych niż angielski, ponieważ dokładność tej funkcji nie została wystarczająco przetestowana w pozostałych językach.

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

Inne kwestie warte przemyślenia:

• Upewnienie się, że wewnętrzne wykazy procedur oraz artykuły wiedzy są aktualne i przejrzyste oraz precyzyjnie określają, jakie działania i w jakich sytuacjach należy podjąć, w tym kiedy konieczne jest przekazanie do pracownika.
• Dokładnie weryfikuj plany i wyniki, zwłaszcza gdy usługa Rovo komunikuje się z narzędziami innych firm lub wprowadza zmiany w dostępie użytkowników.
• Traktuj usługę Rovo jako asystenta, który eliminuje ręczną pracę przy powtarzalnych, nieskomplikowanych zadaniach, a nie jako zastępstwo dla ludzkiego osądu w przypadku skomplikowanych wniosków, gdy sposób rozwiązania może się znacznie różnić zależnie od kontekstu.
• Jeśli zdecydujesz się na tryb samodzielny, zacznij od prostych, dobrze udokumentowanych typów wniosków, w których poszczególne kroki często się powtarzają.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki usługa Rovo wykorzystuje Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszym Centrum zaufania.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Odpowiedni dla promptu kontekst z Twojej instancji, taki jak wewnętrzne źródła wiedzy, np. artykuły Confluence, historyczne zgłoszenia JSM oraz inne elementy dodane do bazy wiedzy na potrzeby usługi Rovo
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Podczas korzystania z usługi Rovo w stosunku do Twoich danych stosowane są poniższe środki.

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe):
  • Nie są dostępne dla innych klientów.
  • nie są wysyłane do żadnego zewnętrznego dostawcy LLM innego niż OpenAI i Google.
  • Nie są przechowywane przez żadnego dostawcę LLM.
  • Nie są używane do ulepszania żadnych dużych modeli językowych.
• OpenAI i Google Vertex są podrzędnymi podmiotami przetwarzającymi znajdującymi się na naszej liście podrzędnych podmiotów przetwarzających. Podmioty te nie wykorzystują Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa zgodnie z uprawnieniami w instancji. Jeśli na przykład nie masz dostępu do źródeł wiedzy w Confluence, otrzymana odpowiedź nie będzie zawierać sugerowanej treści z tych stron. Jeśli nie chcesz, aby Twoje treści były dostępne w odpowiedziach dla innych użytkowników w Twojej instancji, uzgodnij odpowiednie ustawienia uprawnień z administratorem organizacji.

Zasoby Rovo

Skorzystaj z usługi Rovo, aby usprawnić pracę zespołu

Metadane wspomagane przez sztuczną inteligencję w szablonach bloków są obsługiwane przez duże modele językowe opracowane przez Google i OpenAI. Te duże modele językowe obejmują serię modeli Gemini firmy Google i serię modeli GPT firmy OpenAI.

Metadane wspomagane przez sztuczną inteligencję w szablonach bloków wykorzystują te modele do analizy i generowania języka naturalnego w naszych produktach.

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

Dowiedz się więcej o możliwościach modeli Google i modeli OpenAI.

Kiedy tworzysz szablony bloków, aby w przyszłości łatwo ponownie wykorzystywać fragmenty treści, funkcja metadanych wspomaganych przez sztuczną inteligencję w szablonach bloków oszczędza czas, automatycznie generując tytuł i opis szablonu na podstawie zawartości. Następnie możesz akceptować, edytować lub usuwać dowolną z tych sugestii.

Naszym zdaniem metadane wspomagane przez sztuczną inteligencję w szablonach bloków sprawdzają się najlepiej w sytuacjach, gdy:

• Chcesz, aby w przyszłości użytkownicy mogli łatwo określić, czego dotyczy szablon, i wiedzieli, kiedy należy go użyć.
• Tworzysz wiele szablonów bloków jednocześnie, a dzięki tej funkcji możesz skupić się na samych szablonach, a nie na wymyślaniu tytułów i opisów.
• Tworzysz szablon bloków i nie masz jeszcze pomysłu na konkretny tytuł lub opis.

Trzeba pamiętać, że ze względu na sposób działania modeli używanych do obsługi metadanych wspomaganych przez sztuczną inteligencję w szablonach bloków mogą one czasami generować niedokładne, niekompletne lub niewiarygodne wyniki.

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

Z naszych doświadczeń wynika, że metadane wspomagane przez sztuczną inteligencję w szablonach bloków są mniej przydatne w sytuacjach, gdy:

• Szablon jest w języku innym niż angielski.
• Szablon bloków jest bardzo krótki. W takiej sytuacji sztuczna inteligencja może nie mieć wystarczającego kontekstu, aby wygenerować przydatny tytuł lub opis.
• Twój szablon bloków zawiera wiele treści dotyczących różnych tematów i zagadnień, co utrudnia sztucznej inteligencji wygenerowanie jasnego, spójnego tytułu i opisu.
• Masz już pomysł na konkretną nazwę lub opis.

Zdajemy sobie sprawę, że możesz mieć pytania dotyczące sposobu, w jaki metadane wspomagane przez sztuczną inteligencję w szablonach bloków wykorzystują Twoje dane. Ta sekcja stanowi uzupełnienie informacji dostępnych w naszej witrynie Trust Center.

Przetwarzamy:

• Twoje prompty (dane wejściowe) i odpowiedzi (dane wyjściowe);
• Kontekst z Twojej instancji istotny dla żądania, na przykład treść bloków zapisywanych jako szablon bloków (na tej podstawie generowane są propozycje tytułu i opisu).
• dane dotyczące interakcji z naszymi funkcjami, takie jak dane strumienia kliknięć i osób, z którymi współpracujesz;
• Opinia, którą chcesz przekazać na temat tej funkcji, w tym wszelkie podpowiedzi lub odpowiedzi udostępniane przez Ciebie w ramach dostarczanej opinii.

Funkcja metadanych wspomaganych przez sztuczną inteligencję w szablonach bloków stosuje poniższe środki w stosunku do Twoich danych.

• Twoje dane wejściowe (treść bloku przesłana na potrzeby sugestii) i dane wyjściowe (zasugerowany tytuł i opis):
  • Nie są dostępne dla innych klientów.
  • Nie są wysyłane do żadnego zewnętrznego dostawcy LLM poza Google lub OpenAI.
  • Nie są przechowywane przez dostawcę LLM.
  • Nie są używane do szkolenia lub ulepszania żadnych dużych modeli językowych.
• OpenAI i Google są podrzędnymi podmiotami przetwarzającymi znajdującymi się na naszej liście podrzędnych podmiotów przetwarzających. Podmioty te nie wykorzystują Twoich danych wejściowych ani wyjściowych w żadnym celu niezwiązanym z przetwarzaniem żądania.
• Ta funkcja działa wyłącznie na treściach, które aktywnie zapisujesz jako szablon bloków. Nie odczytuje innych treści z Twojej instancji, a sugestie są generowane wyłącznie na podstawie bloków, które zapisujesz.

• Transparentność Atlassian Intelligence
• Atlassian Intelligence Trust Center