Close

透明性を重視して設計された Atlassian Intelligence

オープンなコミュニケーション、説明責任、そして責任ある AI 利用を促進するためのアトラシアンの取り組み。

Atlassian Intelligence は、コラボレーションを迅速化し、チームが作業を加速できるように設計されています。そして、チームとの最適な連携方法を理解するのと同じように、Atlassian Intelligence がどのように機能するかを理解することは、チームがそれをより効果的に使用するのに役立ちます。このページでは、AI を活用した製品や機能がどのように動作するか、何ができ、何ができないか、またそれらが当社の製品の体験方法にどのように貢献するかを説明します。このページの情報をご活用いただくことで、当社の製品とチームワークを最大限に活用できるようになると信じています。責任を持ってテクノロジーを構築するという当社の取り組みの詳細については、当社の責任あるテクノロジー原則をご覧ください。

アラートのグループ化

Atlassian Intelligence でアラートをグループ化する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence によるアラートのグループ化は、OpenAI が開発した大規模な言語モデルや、他の機械学習モデルによって支えられています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence は、これらの機械学習モデルを利用して、アラート グループを分析および生成し、アラートの内容や使用されているタグの類似性に基づいて、製品内で関連性のある提案 (過去のアラート グループや過去のアラート対応者) を行います。次に、Atlassian Intelligence は大規模な言語モデルを利用して、製品内のこれらのグループの自然言語による説明や内容を分析および生成します。

これらの大規模な言語モデルは、入力された内容に基づいて回答を生成し、確率的です。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

アラートのグループ化のユース ケース Copy link to heading Copied! 表示
  

アラートのグループ化では、Atlassian Intelligence を利用して識別し、同様のアラートを一緒にグループ化します。また、アラートの内容や使用されているタグとの意味的な類似性に基づいて、過去の類似アラート グループや過去のアラート対応者 (または対応者のチーム) を特定して推奨することにも役立ちます。

アラート グループをインシデントにエスカレートする場合、状況に応じた情報すべてがアラートのグループ化により事前に入力され、インシデント作成プロセスの一環として確認できます。

アトラシアンでは、アラートのグループ化は次のようなシナリオで最も効果的だと考えています。

  • 組織では、短期間または長期間にかかわらず、類似または重複しているアラートが大量に発生するパターンが頻繁に起きている。
  • 組織では、常にアラートをタグで分類している。
  • チームは、類似または重複しているアラートをインシデントにエスカレートする必要があると気付くことが多い。
アラートのグループ化を使用する際の考慮事項 Copy link to heading Copied! 表示
  

アラートのグループ化の強化のために使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答に質問の内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。表示されるアラート グループには、タグの意味的な類似性が正確に反映されない可能性があります。

アラートのグループ化は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • アラートを適切にグループ化するために、アラートをグループ化する際に、アクセスする必要のある情報がすぐに利用できない。アラートのグループ化は、チームが設定した役割や権限の範囲内で機能するため、閲覧権限のあるアラートのグループとインサイトにのみアクセスできる。
  • チームが使用しているアラート タグが一貫していない、または適切に管理されていない。アラートのグループ化では、アラートのタイトルとタグの意味的な類似性に基づいてアラートがグループ化されるため、生成されるアラート グループの品質が、チームや組織が使用するアラート タグの一貫性とハイジーンによって決まる。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

また、アラート タグを使用する際に、あなたとチームが一貫したプラクティスに従うようにすることもご検討ください。

お客様のデータとアラートのグループ化 Copy link to heading Copied! 表示
  

アラートのグループ化でのデータの扱いについて、さまざまな疑問が生じることでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

アトラシアンが処理する内容は次のとおりです。

  • お客様のプロンプト(入力)と回答(出力)。
  • アラート データ (アラート タイトル、アラート タグ、優先度、対応者チーム、説明) など、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

アトラシアンでは、お客様のアラート データを処理して、機械学習モデルのバージョンをトレーニングし、お客様のアラート特有のパターンを認識します。このバージョンは、ご自身のエクスペリエンスのためにのみ利用されます。

  • 当社は特定したパターンを保存し、お客様にインサイトをご提供します。
  • お客様のアラート データを利用して LLM をトレーニングすることはありません。

データについては、アラートのグループ化では次の指標が適用されます。

  • お客様の入力と出力:
    • 他のお客様は利用できません
    • OpenAI によって保存されません。
    • OpenAI モデルの改善には利用されません。
    • エクスペリエンスを提供するためにのみ使用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はサイトの権限に従います。たとえば、Atlassian Intelligence はタグと意味的な類似性に基づいて 50 件のアラートをグループ化し、ユーザーがそのうち 30 件のみを表示する権限を持っている場合、グループ詳細ビューにはその 30 件のみが表示されます。ご自身のアラートがサイトの他のユーザーへの対応として利用されないようにするには、組織/サイトの管理者に連絡して、権限が適切に設定されていることをご確認ください。

Jira Service Management での Atlassian Intelligence の回答

Jira Service Management での Atlassian Intelligence の回答の仕組み Copy link to heading Copied! 表示
  

Atlassian Intelligence による回答は、OpenAI によって開発された大規模言語モデルによって支えられています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

Jira Service Management での Atlassian Intelligence の回答のユース ケース Copy link to heading Copied! 表示
  

Atlassian Intelligence による回答機能は、Jira Service Management の仮想サービス エージェントに接続されます。生成 AI を使って、リンクされたナレッジ ベース スペースを検索してカスタマーの質問に回答します。

アトラシアンでは、Atlassian Intelligence による回答は次のようなシナリオで最も効果的だと考えています。

  • 完全で最新のナレッジ ベースがリンクされており、仮想サービス エージェントがそれにアクセスし、Atlassian Intelligence による回答を使用してカスタマーの質問に回答できる。
  • Atlassian Intelligence による回答は、次のようなカスタマーの質問への回答に使用されます。
    • 情報や手順説明を提供することで解決できる質問。
    • 既存のナレッジ・ベース記事に記載されている(または追加できる)質問。
    • 一般的にエージェントにエスカレーションする必要がない質問。
Jira Service Management で Atlassian Intelligence の回答を使用する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence の回答にこれらのモデルがどのように使われているかを理解し、これらのモデルが不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence の回答は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • リクエストに正しく回答するためにアクセスする必要のある情報がすぐに利用できない(リンク先のナレッジ・ベースに存在しないなど)。
  • ナレッジ・ベースが古いか不完全であるため、検索が役に立たないかもしれない。
  • ナレッジ・ベースの記事に関連情報や質の高い情報が含まれていないため、それらの記事に基づいてカスタマーに提供される Atlassian Intelligence の回答が、関連性の低いものになる可能性がある。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

次の内容もご検討ください。

  • リンクされたナレッジ・ベース(およびそこに含まれる既存の記事)を積極的に見直して更新し、完全で最新の状態に保たれていることをご確認ください。
  • リンクされたナレッジ・ベース・スペースに適用される権限と制限を積極的に見直して、Atlassian Intelligence の回答が役に立つ正しい情報にアクセスできることをご確認ください。
お客様のデータと Jira Service Management での Atlassian Intelligence の回答について Copy link to heading Copied! 表示
  

Jira Service Management における Atlassian Intelligence の回答にお客様のデータがどのように使用されるかについて、ご不明な点があると思います。このセクションでは、FAQ ページで提供されている情報を補足します。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • プロンプトに関連するインスタンスのコンテキスト(リンクされたナレッジ・ベース・スペースなど)。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。
  • お客様のデータに関しては、Jira Service Management での Atlassian Intelligence の回答には、次のような対策を適用しています。
  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません。
    • OpenAI によって保存されません。
    • OpenAI のモデルの改善には使用されません。
    • エクスペリエンスを提供するためにのみ使用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能は、リンクされたナレッジ・ベース・スペースに適用される権限と制限に従います。つまり、Jira Service Management ポータルでお客様が利用できるすべてのページが、Atlassian Intelligence の回答によって利用できるようになります。たとえば、特定の Confluence ページへのアクセスが制限されており、通常は Jira Service Management で利用できない場合、そのページのコンテンツは Atlassian Intelligence の回答による回答では提案されません。ご自身のコンテンツをインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。

Atlassian Intelligence を使用した自動化

Atlassian Intelligence を使った自動化のユースケース Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用する自動化では、OpenAI が開発した GPT モデルを利用しています。これらのモデルには、こちらで説明されている OpenAI モデルが含まれます。

Atlassian Intelligence では、これらのモデルを利用して自然言語の入力を分析し、Jira と Confluence 内で自動化ルールを生成します。

これらのモデルは、入力された内容に基づいて回答を生成し、本質的に確率的です。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの機能に関する詳細をご確認いただくか、このアプローチの詳細を OpenAI の研究論文でご確認ください。

Atlassian Intelligence を使った自動化のユースケース Copy link to heading Copied! 表示
  

自動化ルールの作成は、日常の自動化エクスペリエンスの主要部分です。Jira と Confluence の自動化ルール ビルダーに Atlassian Intelligence を追加することで、自動化ルールの作成をさらに容易にします。自動化する内容を入力して説明するだけで、簡単に自動化ルールを作成できるようになりました。Atlassian Intelligence がルールを作成するので、面倒な作業はすべて任せられます。JiraConfluence 向けの Atlassian Intelligence を使用した自動化の詳細をご覧ください。

Jira と Confluence 向けの Atlassian Intelligence を使用した自動化が最も効果を発揮するのは、開始方法がわからない場合や、ルール作成プロセスを加速したい場合です。

自動化ルールの最適な作成方法がわからない場合

自動化ルールは、トリガー、アクション、条件、ブランチなど、さまざまなタイプのコンポーネントを組み合わせて作成します。コンポーネントはルールの構成要素と考えてください。Atlassian Intelligence でルールを正常に作成するには、ルールに少なくともトリガーとアクションの両方が 1 つずつ含まれている必要があります。以下に例を示します。

Jira の場合

毎週月曜日、期限が 7 日以内のタスクをすべて検索し、担当者にリマインダー・メールを送信する。

チケットがテストに移動したら、そのチケットを John Smith に割り当てます。

Confluence の場合

  • 毎週月曜日、期限が 7 日以内のタスクをすべて検索し、担当者にリマインダー・メールを送信する。
  • 6 か月ごとに、その期間中に更新されていないページをすべてアーカイブし、その後、ページの作成者にメールで通知する。
  • タイトルに「製品仕様」を含むページが公開されたら、そのページへのリンクを含むページをレビューするための Jira チケットを作成する。

さらに、ルールを正常に作成するには、そのルールを構成するすべての要素が Atlassian Intelligence を使用した自動化でサポートされている必要があります。つまり、ルール内のトリガー、アクション、条件、ブランチはすべて Jira と Confluence の自動化と互換性がなければなりません。

Atlassian Intelligence を使った自動化に関する考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して自動化を強化するために使用されるモデルの仕組みにより、これらのモデルが不正確、不完全、または信頼性の低い動作をする場合があることにご注意ください。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使った自動化は、次のようなシナリオではあまり効果的でないことが判明しています。

  • Atlassian Intelligence がリクエストに適切に回答するために、リクエスト送信者が利用できない情報 (たとえば、制限されたページやプロジェクト) へのアクセスを Atlassian Intelligence を使った自動化に提供する必要がある。
  • 1 回限りのタスクを実行する必要がある。
  • ナレッジ・ベース内から情報を問い合わせる必要がある。

このため、Atlassian Intelligence を利用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

Atlassian Intelligence を使った自動化は、JiraConfluence で利用可能な既存の自動化コンポーネントでのみ機能します。

また、前述のように、Atlassian Intelligence に質問する内容をできる限り具体的にします。

お客様のデータと Atlassian Intelligence を使用した自動化 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して自動化する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で入手できる情報を補足します。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • Jira プロジェクトまたは Confluence ページなど、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データに関しては、Confluence 自動化での Atlassian Intelligence の利用には、次のような対策を適用しています。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません
    • OpenAI によって保存されません
    • OpenAI モデルの改善には利用されません
    • エクスペリエンスを提供するためにのみ使用されます。

OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。

この機能はインスタンスの権限に従います。たとえば、お客様が特定のプロジェクトまたはページにアクセスできない場合、それらのコンテンツを使用した提案が受信した回答に含まれることはありません。ご自身のコンテンツをインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。

チャート インサイト

chart insights での Atlassian Intelligence の使用方法 Copy link to heading Copied! 表示
  

チャート インサイトは、OpenAI が開発した大規模な言語モデルによって強化されています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

chart insights のユース ケース Copy link to heading Copied! 表示
  

チャート インサイトでは、Atlassian Intelligence を使用して、Atlassian Analytics のあらゆるグラフのデータを簡単に理解できるようにします。そのために、ダッシュボードのタイトル、グラフのタイトル、グラフのデータ (列ヘッダーと行の値を含む) を使用して、グラフとそのデータの自然言語による要約を生成します。また、傾向や異常を特定して、そのグラフに特定のインサイトを提供することも目的としています。

アトラシアンでは、chart insights は次のようなシナリオで最も効果的だと考えています。

  • グラフのデータ行が多い。
  • グラフにダッシュボードのタイトルがある。
  • グラフに列ヘッダーがある。
  • グラフのすべての行と列に値がある。

棒グラフ、折れ線グラフ、および棒線グラフは通常、傾向、日付、その他多数のデータ行が含まれているため、この機能が最も適しています。

chart insights を使用する際の考慮事項 Copy link to heading Copied! 表示
  

chart insights 強化のために使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

chart insights は、次のようなシナリオではあまり効果的でないことが判明しています。

  • グラフのデータ行が 1 行またはわずか数行。
  • グラフが単一値タイプ。
  • グラフにタイトル、軸ラベル、列ヘッダーがない。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • グラフに表示されている特定のデータについて、詳細情報を持っている可能性のある他のユーザーに、インサイトの正確性を再確認します。
  • Atlassian Intelligence は、回答時にダッシュボード全体ではなく、単一のグラフのコンテキストのみを使用することを念頭に置いてください。
各自のデータと chart insights Copy link to heading Copied! 表示
  

chart insights のデータの扱いについて、さまざまな疑問が生じることでしょう。このセクションでは、このページに掲載されている情報の補足説明をします。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • グラフ内のデータなど、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データについては、chart insights では次の指標が適用されます。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません。
    • OpenAI によって保存されません。
    • OpenAI モデルの改善には利用されません。
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能では、お客様がアクセスでき、インサイトを要求したダッシュボードからの情報のみが使用されます。

Confluence の簡単な要約

Atlassian Intelligence が Confluence のページとブログを要約する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を利用したページやブログの要約では、OpenAI が開発した LLM モデルを利用しています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを利用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

Confluence の簡単な要約のユース ケース Copy link to heading Copied! 表示
  

Atlassian Intelligence で Confluence ページやブログの簡単な要約を生成することで、時間を節約して、作業時間を短縮するために必要な詳細を入手できます。Confluence での Atlassian Intelligence の使用に関する詳細をご覧ください。

Atlassian Intelligence を利用したページやブログの要約は、次のようなシナリオで最も効果的です。

  • ページ内のテキスト量が多く、読むのに 5 分以上かかる。
  • ビジュアルが限られている、またはページの展開などの他のフォーマットで記述されたコンテンツが多い。
Atlassian Intelligence を利用してページやブログを要約する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence の機能を利用してページやブログの要約を強化するというモデルの利用方法により、これらのモデルが不正確、不完全、または信頼性の低い動作をする場合があることにご注意ください。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

当社は、マクロ、表、要約の展開のサポートを改善し続けていますが、Atlassian Intelligence を利用したページやブログの要約が、次のようなシナリオではあまり効果的でないことが判明しました。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • コンテンツが不十分な、非常に短い Confluence ページの要約が必要な場合。
  • ほとんどのコンテンツが表形式または展開されている Confluence ページの要約が必要な場合。
  • ほとんどのコンテンツがマクロである Confluence ページの要約が必要な場合。

Atlassian Intelligence を利用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

次の内容もご検討ください。

  • テキストベースのコンテンツが多いことがわかっているページを要約するよう Atlassian Intelligence に依頼する。
お客様のデータおよび Atlassian Intelligence を利用したページやブログの要約 Copy link to heading Copied! 表示
  

Confluence 自動化に Atlassian Intelligence を利用する際に、お客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で公開されている情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。

  • 要約する Confluence ページのコンテンツなど、プロンプトに関連するインスタンスのコンテキスト。

  • クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。

  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データに関しては、Atlassian Intelligence を利用したページやブログの要約には、次のような対策を適用しています。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません。
    • OpenAI によって保存されません。
    • OpenAI の改善には利用されません。
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はインスタンスの権限に従います。たとえば、Confluence ページにアクセスできない場合、この機能は表示されず、Atlassian Intelligence を利用してページを要約することもできません。ご自身のコンテンツをインスタンスの他のユーザーに利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。

Atlassian Intelligence で用語を定義する

Atlassian Intelligence が用語を定義する方法 Copy link to heading Copied! 表示
  

Confluence や Jira での Atlassian Intelligence を利用した用語の定義には、OpenAI が開発した大規模言語モデルを利用しています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを利用して、Confluence 内の自然言語による回答を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

Atlassian Intelligence を利用した用語の定義のユース ケース Copy link to heading Copied! 表示
  

Confluence や Jira でコンテンツを利用する際に最も難しいことの 1 つは、読んでいる内容を理解するために必要となるコンテキストの把握です。略語、頭字語、なじみのない用語、チームやプロジェクト固有の名前は、必要な情報を得るために長時間検索することにつながります。

Atlassian Intelligence を利用して用語を定義すると、Confluence のページや Jira の課題説明のページに、会社固有の用語 (頭字語、プロジェクト名、システム名、チーム名など) の定義が表示されます。これにより、ユーザーは必要な情報を随時取得でき、それと同時にチームの連携を強化できます。

Atlassian Intelligence を使用すれば、読んでいるコンテンツから離れることなくこれらを自動的に定義できるため、時間を節約できます。

正しくないと思われる定義が見つかった場合は、既存の定義を編集するか新しい定義を追加してから、当該のページや課題説明にその定義が表示されるように設定するか、スペース全体、プロジェクト全体、組織全体にその定義が表示されるように設定することができます。

Confluence での Atlassian Intelligence を利用した用語の定義は、次のようなシナリオで最も効果的です。

  • 会社の Confluence インスタンスには、Atlassian Intelligence が参照する特定の用語について言及、記述、または説明しているページが複数ある。
Atlassian Intelligence を使用して用語を定義する際の考慮事項 Copy link to heading Copied! 表示
  

Confluence で Atlassian Intelligence の機能を利用して用語を定義するというモデルの利用方法により、これらのモデルが不正確、不完全、または信頼性の低い動作をする場合があることにご注意ください。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Confluence で Atlassian Intelligence を利用して用語の定義をすることは、次のようなシナリオではあまり効果的でないことが判明しました。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • Confluence インスタンス内の用語についてのコンテキストが十分ではない(たとえば、特定の用語に言及しているページがない場合、その用語の定義は正確に生成されません)。
  • 用語を定義するには、ユーザーが閲覧権限を持たない Confluence コンテンツにアクセスする必要があります。
  • 一度に 1 つの用語を定義するのではなく、複数の用語を定義しようとしている。

さらに、Atlassian Intelligence を使用して用語を定義するには Confluence での検索が必要であるため、この機能は、Jira インスタンスと同じサイトにある Confluence インスタンスを閲覧する権限がある場合にのみ Jira で使用できます。

また、Confluence スペースや Jira インスタンスに複数の言語で書かれたコンテンツがある場合は、Atlassian Intelligence を使用した用語の定義が期待どおりに機能しないことがあります。

Atlassian Intelligence による用語の定義で使用されるお客様のデータ Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して用語を定義する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で公開されている情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • 定義したい用語など、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム・データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用して用語を定義する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません
    • OpenAI によって保存されません。
    • OpenAI モデルの改善には利用されません。
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能は既存のユーザー アクセス権限に従うため、ユーザーがアクセス権限を持たないコンテンツから定義が表示されることはありません。その代わりに、この機能は、ユーザーがインスタンス内で閲覧する権限を持っているページとプロジェクトからのみコンテンツと定義を取得します。ご自身のコンテンツがインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。
  • ユーザーが定義の編集や更新を手動で行った場合、その定義は 1 年間保管されます。

Atlassian Intelligence でプル リクエストの説明を生成する

Bitbucket Cloud が Atlassian Intelligence を使用してプル リクエストの説明を生成する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用したプル リクエストの説明の生成は、OpenAI が開発した大規模言語モデル (LLM) を使用して行います。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語およびコードを分析し、説明を生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、トレーニングを受けたデータに基づいて、最も可能性の高い次の単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

Atlassian Intelligence でプル リクエストの説明を生成するユース ケース Copy link to heading Copied! 表示
  

Atlassian Intelligence は、Bitbucket Cloud のコード レビュー エクスペリエンスでプル リクエストの説明やコメントを書いているときに、コンテンツの生成、変換、要約をサポートします。これには、次が含まれます。

  • プル リクエストに含まれるコード変更に基づいてプル リクエストの説明を生成します。
  • プル リクエストの説明の要約、改善、またはトーン変更を行います。
  • プル リクエストのコメントの要約、改善、またはトーン変更を行います。

アトラシアンでは、Atlassian Intelligence を使用した Bitbucket Cloud のプル リクエストの説明の生成は、次のようなシナリオで最も効果的だと考えています。

  • コード作成者が、プル リクエストの説明を書いたり改善したりするのを、Atlassian Intelligence に手伝ってもらいたい。これは、Atlassian Intelligence によって生成されたコンテンツがプル リクエストの説明として適切であると判断できるチームに最適です。
  • コード レビュー担当者が、すでに下書きしたプル リクエストのコメントのトーンや内容の改善を、Atlassian Intelligence に手伝ってもらいたい。
Atlassian Intelligence でプル リクエストの説明を生成する際の考慮事項 Copy link to heading Copied! 表示
  

この機能に使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答に質問の内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した Bitbucket Cloud のプル リクエストの説明の生成は、次のようなシナリオではあまり効果的ではないことが判明しています。

  • プル リクエストの説明で、コード変更にまだ存在していない情報 (たとえば、リポジトリの他の場所に含まれているソース コード) について言及する必要がある。
  • Atlassian Intelligence によって生成されたコンテンツがプル リクエストの説明として正しいかどうかを判断できない。
  • 人、場所、事実に関する最新かつ正確な情報が必要である。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence への質問を、できるだけ具体的なものにする。
  • AI ライティング・アシスタントによって生成された出力を校正、レビュー、編集して、正確でわかりやすくします。
  • 他のユーザーと協力してフィードバックを収集し、出力の品質を向上させます。
Atlassian Intelligence によるデータとプル リクエストの説明の作成 Copy link to heading Copied! 表示
  

Confluence で Atlassian Intelligence を利用して用語を定義する際に、お客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で入手できる情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • プロンプト (入力) と回答 (出力)
  • プロンプトに関連するインスタンスからのコンテキスト:
    • プル リクエストのコード変更とコミット メッセージ
    • プル リクエストの説明の内容
    • プル リクエストのコメントの内容
  • クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。
  • この機能について提供したいフィードバック

Atlassian Intelligence を使用したプル リクエストの説明の生成では、データについて次のような対策を適用しています。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません
    • OpenAI によって保存されません。
    • OpenAI モデルの改善には利用されません。
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様のデータを使用することはありません。

Atlassian Analytics で SQL クエリを生成する

Atlassian Intelligence が Atlassian Analytics で SQL クエリを生成する方法 Copy link to heading Copied! 表示
  

Atlassian Analytics での Atlassian Intelligence を使用した SQL クエリの生成には、OpenAI が開発した大規模な言語モデルを利用しています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを使用して自然言語を分析および理解し、それを Atlassian Analytics 内でSQL(構造化クエリ言語)に変換します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

Atlassian Intelligence を使用した SQL クエリ生成のユース ケース Copy link to heading Copied! 表示
  

独自の SQL クエリをゼロから作成するのではなく、Atlassian Intelligence に自然言語で質問して、SQL に変換させます。質問すると、Atlassian Intelligence は、選択したデータ・ソースの Atlassian Data Lake のスキーマを使用して、Atlassian Analytics ダッシュボードにグラフを作成するための SQL クエリを生成します。Data Lake のスキーマについて学ぶのにも役立ちます。

アトラシアンでは、Atlassian Intelligence を使用した SQL クエリの生成は、次のようなシナリオで最も効果的だと考えています。

  • 生成された SQL から始めて、必要に応じてクエリを調整してカスタム・グラフを構築したいと考えている。
  • 自然言語の質問には Atlassian Data Lake のスキーマで参照されている単語や概念が含まれており、できるだけ具体的に記入されている。
  • Atlassian Data Lake のスキーマの詳細を確認したいと考えている。

どのような質問をすればいいのかわからない場合

下記はその例です。

  • Jira の未解決課題数の上位 5 つのラベルは何ですか?
  • 先月、x プロジェクトで完了した Jira の課題は何件ありますか?
  • 上位 5 つのステータスにあった平均時間はどれくらいですか?
  • 先月最もお気に入りに登録された Confluence ページのトップ 5 は何ですか?
  • x Jira Service Management プロジェクトで、過去 5 日間に何件のリクエストが発生しましたか?
Atlassian Intelligence を使用して SQL クエリを生成する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して SQL クエリを生成するために使用されるモデルの動作方法により、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることに留意することが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した SQL クエリの生成は、次のようなシナリオではあまり役に立たないことが判明しました。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • この機能が、Atlassian Data Lake のスキーマではすぐに利用できない情報(たとえば、Advanced Roadmaps のデータなど)にアクセスし、質問に適切に答えるために必要である。
  • 質問にカスタム・フィールドへの参照が含まれている。
  • 英語以外の言語で質問されている。
  • Atlassian Intelligence から返された SQL を検証できるほど SQL に精通していない。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence に質問する内容をできるだけ具体的にする。
  • 使用している Atlassian Data Lake のデータ・ソースに、質問に答えるのに必要なデータが含まれていることを確認する。
データと、Atlassian Intelligence を使用した SQL クエリの生成 Copy link to heading Copied! 表示
  

Atlassian Intelligence を利用して SQL クエリを生成する際に、お客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で入手できる情報を補足するものです。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • インスタンスに適用可能な、一般公開されている Atlassian Data Lake のスキーマを含む、プロンプトに関連するインスタンスからのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データに関しては、Atlassian Intelligence を使用した SQL クエリの生成には、次のような対策を適用しています。

  • お客様のプロンプト(入力)と回答(出力)は:
    • 他のお客様は利用できません
    • OpenAI によって保存されません
    • OpenAI モデルの改善には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、サブプロセッサーのリストにあるサブプロセッサーです。リクエストの処理以外の目的で入力と出力を使用することはありません。
  • この機能は、Atlassian Data Lake の接続の権限に従います。たとえば、Atlassian Data Lake 接続にアクセスできない場合、SQL を構築してクエリを実行することはできません。

エディターのジェネレーティブ AI

編集エクスペリエンスにおける Atlassian Intelligence の仕組み Copy link to heading Copied! 表示
  

編集エクスペリエンスにおける Atlassian Intelligence は、OpenAI によって開発された大規模言語モデルによって支えられています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

エディターでのジェネレーティブ AI のユース ケース Copy link to heading Copied! 表示
  

Atlassian Intelligence は、組織内のすべてのチームで効果的なコミュニケーションを促進し、効率、意思決定、プロセスを向上させるのに役立ちます。

アトラシアンでは、編集エクスペリエンスに Atlassian Intelligence を使用すると、次のようなシナリオで最も効果的だと考えています。

  • 既存のコンテンツを対象ユーザー別に変換する。Atlassian Intelligence は、調子を変えたり、文章を改善し、技術情報を他のチームが理解しやすくしたりするのに役立ちます。これは、文章をより専門的かつ簡潔にしたいチームに最適です。
  • 既存のコンテンツを要約する。Atlassian Intelligence を使用すると、大まかなメモを有益な戦略ドキュメンテーション、ナレッジ・ベース記事、キャンペーン計画などに変換できます。また、既存の情報を分析して行動計画や項目を分析するのにも使用できます。これは、ページ内のテキスト量が多く、そこから多くのコンテキストを抽出する場合に最適です。
  • 新しいコンテンツを生成する。Atlassian Intelligence は、戦略ページ、プロジェクト概要、リリース・ノート、ユーザー・ストーリーなどの新しいコンテンツを作成するのに役立ちます。これは、チームが特定の目標を念頭に置き、明確で具体的なプロンプトを使用する場合に最適です。
編集エクスペリエンスに Atlassian Intelligence を使用する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した編集エクスペリエンスにモデルがどのように使われているかを理解し、これらが不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った応答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

編集エクスペリエンスにおける Atlassian Intelligence は、次のようなシナリオでは、あまり効果的でないことが判明しました。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • リクエストに正しく回答するためにアクセスする必要のある情報がすぐに利用できない(インスタンスに存在しないなど)。
  • 標準のマークダウンを超える形式でコンテンツを生成する必要がある(情報パネルを最初から生成するなど)。
  • 編集中の文書にはまだ存在していない情報を参照する必要がある(別の文書や別の製品に存在するコンテンツなど)。
  • 英語以外の言語でコンテンツを生成および変換する必要がある。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence への質問を、できるだけ具体的なものにする。
  • 複雑な要求をより小さな管理しやすいタスクに分割します。
  • 関連するキーワードを組み込んで、生成されるコンテンツの精度を高めます。
  • 入力テキストには適切な文法と句読点を使用します。
  • AI ライティング・アシスタントによって生成された出力を校正、レビュー、編集して、正確でわかりやすくします。
  • さまざまなプロンプトや入力テキストのバリエーションを試して、さまざまなアイデアを探ります。
  • 他のユーザーと協力してフィードバックを収集し、出力の品質を向上させます。
編集エクスペリエンスにおけるデータと Atlassian Intelligence Copy link to heading Copied! 表示
  

編集エクスペリエンスにおいて Atlassian Intelligence でお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で入手できる情報を補足します。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • Atlassian Intelligence をトリガーした製品など、プロンプトに関連するインスタンスからのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データに関しては、編集エクスペリエンスにおける Atlassian Intelligence には、次の対策を適用しています。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません。
    • OpenAI によって保存されません。
    • OpenAI モデルの改善には利用されません。
    • エクスペリエンスを提供するためにのみ使用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はインスタンスの権限に従います。たとえば、特定の Confluence ページにアクセスできない場合、受信した回答でそのページのコンテンツが提案されることはありません。ご自身のコンテンツをインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。

Confluence で回答を検索する

Atlassian Intelligence が Confluence で回答を検索する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した Confluence での回答の検索では、OpenAI が開発した LLM モデルを使用しています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

Confluence での回答検索のユース ケース Copy link to heading Copied! 表示
  

ナレッジ・ベースが急速に拡大しすぎて、ユーザーが追いつけません。Atlassian Intelligence を使用して Confluence で回答を検索すると、作業を進めるために必要な重要な情報にすばやくアクセスできます。この機能は、必要な情報を簡単に見つけるのに役立ちます。ユーザーがチームメイトに尋ねるような質問を理解し、即座に回答します。Atlassian Intelligence を使用して Confluence で回答を検索する方法の詳細を見る

Atlassian Intelligence を使用して Confluence で回答を検索するのは、詳細で完全かつ最新のコンテンツが Confluence サイトに大量に記載されている場合に最適だと私たちは考えています。

この機能は新しいコンテンツを生成するのではなく、(制限を守りながら) Confluence のページやブログを検索し、質問への回答を見つけます。Atlassian Intelligence は、Confluence の内容(具体的にはユーザーがアクセス権を持っている情報)のみに基づいて回答を生成します。

どのような質問をすればいいのかわからない場合

下記はその例です。

  • When is the next marketing team offsite? (マーケティング チームが次にオフサイトになるのはいつですか?)
  • What is the work from home policy? (在宅勤務ポリシーとは何ですか?)
  • What is Project Sunrise? (プロジェクト サンライズとは何ですか?)
  • When is our next marketing campaign? (次のマーケティング キャンペーンはいつですか?)
  • Where are the release notes for SpaceLaunch’s newest product? (SpaceLaunch の最新製品のリリース ノートはどこにありますか?)
  • How do I submit expenses for reimbursement? (経費精算を提出するにはどうすればいいですか?)
Atlassian Intelligence を使用して Confluence で回答を検索する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して Confluence で回答を検索するために使用されるモデルの仕組み上、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることにご注意ください。

たとえば、受け取った回答に質問の内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した Confluence での回答の検索は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • 頻繁に変更される傾向がある情報(たとえば、毎月更新されるロードマップ)について、最新かつ正確な情報が必要である。
  • 特定の人々と、その人が組織で果たしている役割について、最新かつ正確な情報が必要である。
  • 質問に正しく回答するためには、自分が利用できない情報へのアクセス権が必要である(Confluence インスタンスのページが制限されているなど)。
  • 回答が、さまざまな値やカテゴリ(たとえば、毎週更新される指標)で構成されている。
  • ニュアンス、複雑さ、または人間レベルの推論を必要とする答えが必要である。

また、複数の言語で書かれたドキュメントがある Confluence スペースでは、Atlassian Intelligence を使用して Confluence で回答を検索しても、期待どおりに機能しないことがあります。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence への質問を、できるだけ具体的なものにする。
  • Confluence インスタンスに文書化されていることを把握しており、かつアクセス権を有していることについて質問する。
Atlassian Intelligence を使用して Confluence で回答を検索する際のお客様のデータの取り扱いについて Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して Confluence で回答を検索する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で入手できる情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • Confluence 検索から返された上位 3 ページのコンテンツなど、プロンプトに関連するインスタンスからのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用して Confluence で回答を検索する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません。
    • どの LLM プロバイダーにも保管されません。
    • LLM モデルの改良には利用されません。
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、当社の副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はインスタンスの権限に従います。たとえば、特定の Confluence ページにアクセスできない場合、受信する回答にそのページのコンテンツが使用されることはありません。ご自身のコンテンツがインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。

Jira で課題を検索する

Atlassian Intelligence を使用して Jira で課題を検索する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した Jira での課題検索には、OpenAI が開発した大規模な言語モデルが使用されています。このモデルには、こちらで説明する OpenAI モデルが含まれています。これは、生成された合成データを使用してアトラシアンが微調整したものです。

Atlassian Intelligence はこれらのモデルを使用して自然言語を分析および理解し、それを Atlassian Analytics 内で JQL(Jira クエリ言語)に変換します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI モデルの機能と OpenAI の微調整の詳細をお読みください。また、このアプローチの詳細については、OpenAI の研究論文もお読みください。

Jira の課題検索のユース ケース Copy link to heading Copied! 表示
  

複雑なクエリを作成するのではなく、日常の言葉で何をしたいかを Atlassian Intelligence に質問できるようになりました。Atlassian Intelligence を使用して課題を検索すると、プロンプトが JQL クエリに変換され、特定の課題をすばやく検索できます。

アトラシアンでは、Atlassian Intelligence を使用した課題の検索は、次のような場合に最も効果的だと考えています。

  • Jira プロジェクトで使用可能な課題フィールドを使用して Jira の課題をクエリしている。
  • クエリには、課題検索を絞り込むのに役立つ特定のフィールドと値が含まれている。
  • 検索対象のフィールドと値が Jira プロジェクトに存在している。
  • 英語でクエリを実行している。
  • クエリは JQL に翻訳可能である。Atlassian Intelligence はプロンプトを JQL コードに変換するので、入力に JQL に変換できるキーワードが含まれる場合、より良い結果が得られます。
Atlassian Intelligence を使用して課題を検索する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して課題を検索するために使用されるモデルの仕組み上、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることにご注意ください。

たとえば、質問の内容が受け取った回答に正確に反映されていなかったり、一見筋が通っているようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した課題の検索は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • プロジェクト、ボード、ユーザーなど、課題以外の Jira エンティティを検索している。
  • 英語以外の言語で検索している。
  • データのグラフ、要約、またはその他の表示を作成するために課題を検索して分析したいと考えている。
  • 現在 JQL で提供されていない機能が検索に必要である(たとえば、「自分がコメントした課題を検索する」などの質問は JQL の機能に変換できない)。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

また、Atlassian Intelligence に質問する内容はできる限り具体的にしてください。検索するフィールドや値を正確に含めます。

Atlassian Intelligence を使用して課題を検索する際のお客様のデータの取り扱いについて Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して課題を検索する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で入手できる情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • 現在取り組んでいるプロジェクトなど、プロンプトに関連するインスタンスからのコンテキスト。
  • クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用して課題を検索する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません。
    • どの LLM プロバイダーにも保管されません。
    • LLM モデルの改良には利用されません。
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • 検索結果は、アクセスできる課題とフィールドに基づく(たとえば、特定の Jira プロジェクトにアクセスできない場合、そのプロジェクトの課題とフィールドは検索結果に表示されない)。

Jira Service Management でリクエスト・タイプを提案する

Jira Service Management での Atlassian Intelligence を使用したリクエスト・タイプの提案方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用してリクエスト・タイプを提案することは、OpenAI が開発した大規模な言語モデルによって支えられています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを使用して自然言語入力を分析し、Jira Service Management 内でリクエスト・タイプの名前と説明に関する推奨事項を生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

Jira Service Management でのリクエスト タイプ提案のユースケース Copy link to heading Copied! 表示
  

Atlassian Intelligence からの候補を表示することで、プロジェクト用にどのようなリクエスト・タイプを作成する必要があるかを考える時間を削減できます。自分の作業とチームが通常管理しているものを簡単に説明するだけで、どのようなタイプのリクエストを作成できるかがわかります。Atlassian Intelligence によって生成された提案の 1 つを選択して、リクエスト・タイプを作成します。Atlassian Intelligence を使用してリクエスト・タイプを提案する方法の詳細をご覧ください

アトラシアンでは、Atlassian Intelligence を使用したリクエスト・タイプの提案は、次のようなシナリオで最も効果的だと考えています。

  • 既存のリクエスト・タイプのテンプレートでは対応できない、非常に特殊なユース・ケースがある。
  • 非常に大まかな要件があり、いくつかのアイデアを探している。
  • 広く話されている言語(英語やスペイン語など)を使用している。
Atlassian Intelligence を使用してリクエスト・タイプを提案する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用してリクエスト・タイプを提案するために使用されるモデルの動作方法により、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることに留意することが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用したリクエスト・タイプの提案は、次のようなシナリオではあまり効果的でないことが判明しました。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • この機能が、リクエストに正しく回答するためにアクセスする必要のある情報がすぐに利用できない場合(インスタンスに含まれていない場合など)。
  • あいまいすぎるか、サービス管理とは無関係なプロンプトを提供している。
  • 広く話されている言語を使っていない。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence への質問を、できるだけ具体的なものにする。
Atlassian Intelligence を使用してリクエスト・タイプを提案する際のお客様のデータの取り扱いについて Copy link to heading Copied! 表示
  

リクエスト・タイプの提案に Atlassian Intelligence を使用する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で入手できる情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • プロンプトに関連するインスタンスからのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用してリクエスト・タイプを提案する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません
    • OpenAI によって保存されません
    • OpenAI モデルの改善には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能にはプロンプトの情報のみが使用されるため、Jira のすべての権限が尊重されます。

Jira Service Management で課題の詳細を要約する。

Atlassian Intelligence が Jira Service Management で課題の詳細を要約する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した課題の詳細の要約は、OpenAI が開発した大規模な言語モデルによって支えられています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

Jira Service Management での課題詳細の要約のユースケース Copy link to heading Copied! 表示
  

Jira Service Management で課題に関する長文の説明や多数のコメントをすべて読む代わりに、Atlassian Intelligence でこれらの情報をすばやく要約できます。簡単に新しい関係者と情報を共有したり、新しいエージェントにチケットを移動したり、課題に関する詳細情報を入手したりできます。これにより、エージェントは課題のコンテキストと進捗状況をすばやく理解でき、迅速に行動し、タイムリーな支援を提供できます。

Atlassian Intelligence を使用した課題の詳細の要約は、次の場合に最適だと私たちは考えています。

  • 説明とコメントが英語で記述されている課題。
  • コメントの数が多い課題や、コメントや説明が長い課題。
Atlassian Intelligence を使用して課題を要約する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence の機能を使用して課題の詳細の要約を強化するというモデルの仕組み上、これらのモデルが不正確、不完全、または信頼性の低い動作をする場合があることにご注意ください。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した課題の詳細の要約は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 英語以外の言語を使用している
  • 課題に履歴や詳細がない

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

Atlassian Intelligence を使用して課題の詳細を要約する際のお客様のデータの取り扱いについて Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して課題の詳細を要約する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で公開されている情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • プロンプトに関連するインスタンスからのコンテキストには、Jira Service Management の課題に関する詳細が含まれます(課題の説明、コメント、チケットに関係するユーザーなど)。
  • クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用して課題の詳細を要約する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません。
    • OpenAI 以外のサードパーティの LLM プロバイダーには送信されません。
    • OpenAI によって保存されません。
    • OpenAI モデルの改善には利用されません。
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はインスタンスの権限に従います。エージェントとプロジェクト管理者のみに「要約」ボタンが表示されます。

Atlassian Intelligence を使用してカスタム数式を記述する

Atlassian Intelligence が Atlassian Analytics でカスタム数式を記述する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用したカスタム数式の記述は、OpenAI が開発した大規模な言語モデルによって支えられています。たとえば、こちらで説明されている OpenAI モデルです。

Atlassian Intelligence はこれらのモデルを使用して自然言語を分析し、それを Atlassian Analytics 内で SQLite に変換します。

これらのモデルは、入力された内容に基づいて回答を生成し、本質的に確率的です。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

Atlassian Intelligence を使用してカスタム数式を記述するユース ケース Copy link to heading Copied! 表示
  

結果テーブルのデータの変換方法を Atlassian Intelligence に質問または説明すると、カスタム数式に使用される SQLite 式に変換されます。独自の SQLite 式をゼロから記述する必要はありません。質問すると、Atlassian Intelligence は前の Visual SQL ステップの結果テーブルのデータを使用して、グラフ用のデータに計算または演算を適用する SQLite 式を生成します。これは SQLite の関数とその構文について学ぶのにも役立ちます。

Atlassian Intelligence を使用してカスタム数式を記述するのは、次のようなシナリオで最も効果的です。

  • クエリしたデータの 1 つの列に変更を適用する。
  • 生成された SQLite 式を元に、必要に応じて改良する。
  • 自然言語での質問に、列ヘッダーや行データで参照される単語や概念が含まれる。
  • SQLite についてもっと知り、利用できる SQLite の機能を調べる。
Atlassian Intelligence を使用してカスタム数式を記述する際の考慮事項 Copy link to heading Copied! 表示
  

カスタム数式を使用する際は、Atlassian Intelligence で使用されるモデルが不正確や不完全であったり、信頼性が低かったりする場合があることに注意してください。

たとえば、質問の内容が受け取った回答に正確に反映されていなかったり、一見筋が通っているようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使ったカスタム数式の記述は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 1 つのカスタム数式の複数の列に変更を適用する。
  • 結果テーブルのデータではすぐには利用できない情報にアクセスするためにこの機能が必要である。
  • プロンプトで英語以外の言語で質問される。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence への質問を、できるだけ具体的なものにする。
  • クエリしたデータが、質問に答えるために必要なデータに対応していることを確認する
お客様のデータと、Atlassian Intelligence を使用したカスタム数式の記述 Copy link to heading Copied! 表示
  

Atlassain Intelligence を使用してカスタム数式を記述する際に、データがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で公開されている情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • 前の Visual SQL ステップの結果セットのデータを含めるなど、プロンプトに関連するインスタンスのコンテキスト。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。
  • クリックストリーム データなど、お客様がアトラシアンの機能をどのように利用したかに関するデータ

Atlassian Intelligence を使用してカスタム数式を記述する際には、お客様のデータについて次のような対策が適用されます。

プロンプト (入力) と回答 (出力) について:

  • 他のお客様は利用できません
  • OpenAI によって保存されません
  • OpenAI モデルの改善には利用されません
  • ご自身のエクスペリエンスのためにのみ利用されます。

OpenAI は、副処理者のリストに含まれる副処理者です。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。

Atlassian AI のロゴ。

透明性を重視して設計された Atlassian Intelligence および Rovo

オープンなコミュニケーション、説明責任、そして責任ある AI 利用を促進するためのアトラシアンの取り組み。

Rovo

以下の Rovo の機能を選択すると、ユース ケースとデータの使用について把握することができます。

Atlassian Intelligence を使用した自動化

インシデント管理のための AI ChatOps における Atlassian Intelligence の利用 Copy link to heading Copied! 表示
  

インシデント管理のための AI ChatOps は、OpenAI によって開発された大規模言語モデル、およびオープン ソースの大規模言語モデル (Llama シリーズや Phi シリーズなど) と他の機械学習モデルの組み合わせを利用しています。これらの大規模な言語モデルには、OpenAI の GPT シリーズのモデルが含まれます。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析/生成します。

これらの大規模言語モデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。オープン ソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

インシデント管理のための AI ChatOps のユース ケース Copy link to heading Copied! 表示
  

インシデント管理のための AI ChatOps では、Jira Service Management のインシデント課題にリンクされている Slack チャンネルに新規ユーザーが追加されると、関連するインシデントの要約とそれに関する会話すべてが提供されるため、ユーザーはインシデント解決プロセスを迅速に進められます。さらに、インシデント管理のための AI ChatOps では、Slack で生じる会話をタイムラインとして Jira Service Management に記録し、将来参照できるようにします。

アトラシアンでは、インシデント管理のための AI ChatOps は、次のようなシナリオで最も効果的だと考えています。

  • 組織では、インシデントの選別や解決のための主要なコラボレーション ツールとして Slack を利用している。
  • 組織では、Jira Service Management のインシデント課題内で行われるインシデントに関する会話を、特定のプロトコルに従って記録している。

インシデント管理のための AI ChatOps を使用する際の考慮事項 Copy link to heading Copied! 表示
  

インシデント管理のための AI ChatOps の作業に使用されるモデルは、その性質上、不正確、不完全、または信頼できない動作を示す場合があることを念頭に置きます。たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

インシデント管理のための AI ChatOps は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。

  • 組織がインシデントの選別や解決のための主要なコラボレーション ツールとして Slack を利用していない。

  • チームが、Jira Service Management のインシデント課題や、選別中のインシデント課題にリンクされている Slack チャンネルにアクセスできない。

こうした理由から、インシデント管理のための AI ChatOps を利用する状況をご検討いただき、受け取った回答の質を確認した上で、他のユーザーと共有することをお勧めします。

また、関連するインシデント課題や Slack チャンネルにユーザーが適切なレベルでアクセスできるよう、権限を見直すこともご検討ください。

インシデント管理のための AI ChatOps におけるお客様データの取り扱い Copy link to heading Copied! 表示
  

インシデント管理のための AI ChatOps がお客様のデータをどのように使用するかについて、疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • リンクしている Slack チャンネルのインシデント データやメッセージなど、プロンプトに関連するインスタンスのコンテキスト。

  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。

  • この機能についてお客様が提供するフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

お客様のデータ保護のため、インシデント管理のための AI ChatOps では次の対策を適用しています。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI 以外のサードパーティの LLM プロバイダーには送信されません
    • OpenAI によって保存されません
    • OpenAI やその他のサードパーティの LLM プロバイダーが改善を行うために使用されることはありません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は「副処理者」ページに記載されている副処理者です。これらのプロバイダーがリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能は、ご利用の製品の権限に従います。たとえば、インシデント課題へのアクセス権がない場合、インシデント管理のための AI ChatOps を生成しても、その課題の十分なコンテキストを得られません。ご自身のコンテンツを製品の他のユーザーへの回答として利用されないようにするには、組織管理者に連絡して、チームのアクセス権限が適切に設定されていることをご確認ください。
AI 関連リソースにおける Atlassian Intelligence の利用 Copy link to heading Copied! 表示
  

AI 関連リソースは、OpenAI によって開発された大規模言語モデル、およびオープン ソースの大規模言語モデル (Llama シリーズや Phi シリーズなど) と他の機械学習モデルの組み合わせを利用しています。これらの大規模な言語モデルには、OpenAI の GPT シリーズのモデルが含まれます。

Atlassian Intelligence はこれらのモデルを利用して、製品内の自然言語を分析・生成し、アトラシアン製品および接続済みのサードパーティ製品から関連性のある回答を提供します。

これらの大規模言語モデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。オープン ソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

AI 関連リソースのユース ケース Copy link to heading Copied! 表示
  

Atlassian Intelligence では、リンクされたナレッジ ベースのスペースや記事、Jira 課題、および (Rovo のお客様であれば) Rovo を介して統合したサードパーティ製品などにわたって、参照できるリソースのリストを提案するため、ユーザーはインシデント解決のプロセスをスピードアップできるようになります。Rovo とサードパーティ ツールの詳細をご確認ください。

アトラシアンでは、AI 関連リソースは次のようなシナリオで最も効果的だと考えています。

  • 組織内で発生したインシデントに関連していて、その解決に役立つ多数のドキュメントが、リンクされたナレッジ ベースのスペースおよび接続されたサードパーティ ツール内に存在する。

  • インシデントの選別時に、そのインシデントに関連している可能性の高いリソースに、チームが迅速にアクセスする必要がある。

AI 関連リソースを使用する際の考慮事項 Copy link to heading Copied! 表示
  

AI 関連リソースの作業に使用されるモデルは、その性質上、不正確、不完全、または信頼できない動作を示す場合があることを念頭に置きます。たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

AI 関連リソースは、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。

  • リクエストに適切に対応するには、制限付き Confluence ドキュメント (たとえば、アクセスが制限されている Confluence ページ) など、すぐには利用できない情報にアクセスするために AI 関連リソースが必要である。

  • Atlassian Intelligence が関連リソースの提案に利用できるドキュメントが作業環境内にほとんど存在しない。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

次の内容もご検討ください。

  • 権限を見直して、ユーザーがサードパーティ ツール (Slack チャンネルなど) から、関連するドキュメントやリソースに適切なレベルでアクセスできるようにする。

  • 組織のドキュメントが一通り揃っていて、最新の状態かつ正確であることを確認する。

AI 関連リソースにおけるお客様データの取り扱い Copy link to heading Copied! 表示
  

AI 関連リソースがお客様のデータをどのように使用するかについて、疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • インシデント データ、アラート データ、アトラシアン製品内のドキュメント、Google ドキュメントなどの接続済みのサードパーティ製品など、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • この機能についてお客様が提供するフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

お客様のデータ保護のため、AI 関連リソースでは次の対策を適用しています。

  • プロンプト (入力) と回答 (出力) について
    • 他のお客様は利用できません
    • OpenAI 以外のサードパーティの LLM プロバイダーには送信されません
    • OpenAI やその他のサードパーティの LLM プロバイダーによって保存されることはありません
    • OpenAI やその他のサードパーティの LLM プロバイダーが改善を行うために使用されることはありません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は「副処理者」ページに記載されている副処理者です。これらのプロバイダーがリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能は、ご利用の製品の権限に従います。たとえば、特定の Confluence ページにアクセスできない場合、そのページは関連リソースのリストに表示されません。ご自身のコンテンツを製品の他のユーザーへの回答として利用されないようにするには、組織管理者に連絡して、チームのアクセス権限が適切に設定されていることをご確認ください。
Jira Service Management の AI による提案に Atlassian Intelligence がどのように使用されるか Copy link to heading Copied! 表示
  

Jira Service Management の AI による提案は、OpenAI によって開発された大規模言語モデルやその他の機械学習モデルを利用しています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデルが含まれます。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析/生成します。

これらの大規模言語モデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの機能について詳細をご確認ください。

Jira Service Management の AI による提案のユースケース Copy link to heading Copied! 表示
  

Jira Service Management の AI による提案を使用すると、サービス リクエストやインシデントに関する重要なコンテキストを一目で把握して、状況をすばやく理解できます。Atlassian Intelligence は、チームによる次の作業を支援します。

  • サービス リクエストについては、課題の概要、課題報告者の詳細、エージェントによる課題解決を支援する推奨手順のリストを把握できます。Atlassian Intelligence は、優先度の変更や担当者の追加など、チームがそのコンテキストでサービス リクエストを更新するための方法も提案します。
  • インシデントについては、課題の概要と、考えられる根本原因の詳細を把握できます。Atlassian Intelligence は、インシデントをメジャー インシデントに指定する、対応者や影響を受けるサービスを追加する、重大度や優先度を変更する、課題を作成して問題を調査するなど、チームがそのコンテキストでインシデントを更新するための方法も提案します。

Jira Service Management の AI による提案では、該当する SLA に違反しそうなときにリクエストやインシデントをエスカレーションするようエージェントに勧めることもできます。サービス リクエストの場合、提案に使用されているモデルが、報告者のコメントのテキストから、そのリクエストに緊急性や怒りのニュアンスを感じ取った場合に、リクエストをエスカレーションするようエージェントに促すこともあります。

Jira Service Management の AI による提案は、次のようなシナリオで最も効果的に機能すると考えられます。

  • プロジェクトで、似たようなリクエストやインシデントが多数発生している場合。
  • 組織がすでに、サービス リクエストやインシデントを完全で正確な最新情報とともに Jira Service Management に記録している場合。
  • チーム メンバーのユーザー プロファイルに、役割、部門、所在地に関する情報が入力されている場合。
  • カスタマーとチーム メンバーが、課題にコメントを追加して、すべての会話を書面で記録している場合。
  • プロジェクトに、チームがよく遭遇するあらゆる種類のサービス リクエストやインシデントが多数含まれている場合。
Jira Service Management の AI による提案を使用する際の考慮事項 Copy link to heading Copied! 表示
  

Jira Service Management の AI による提案を機能させるために使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Jira Service Management の AI による提案は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • サービス リクエストやインシデントについての提案が必要だが、参考にできる類似のリクエストやインシデントがプロジェクトにない場合。
  • プロジェクト内でアクセスすることのできない情報が必要な場合。
  • 役割、部門、所在地に関する情報がプロファイルに追加されていない担当者についての提案が必要な場合。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Jira Service Management の AI による提案の使用を開始する前に、チーム メンバーに対し、プロファイルの詳細情報 (および過去のインシデント/サービス リクエスト) がすべて入力されているかどうか確認するよう依頼する。
お客様のデータと Jira Service Management の AI による提案について Copy link to heading Copied! 表示
  

Jira Service Management の AI による提案でお客様のデータがどのように使用されるかについて、ご不明な点があると思います。このセクションは、当社の Trust Center で入手できる情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • プロンプト (入力) と回答 (出力)
  • 類似のリクエストやインシデント、担当者やチーム メイトのリスト、アセット、課題内のデータ (フィールド値やコメントなど) など、機能に関連するインスタンスのコンテキスト
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

AI による提案では、お客様のデータに対して次の指標が適用されます。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません。
    • OpenAI 以外のサードパーティの LLM プロバイダーには送信されません。
    • OpenAI によって保存されません。
    • OpenAI の改善には利用されません。
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。OpenAI がリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能は、ご利用のインスタンスの権限に従います。たとえば、特定のサービス リクエストやインシデントにアクセスする権限がない場合、Atlassian Intelligence は提案を生成する際にそれらのリクエストやインシデントを考慮しません。ご自身のコンテンツをプロジェクトやサイトの他のユーザーに利用されないようにするには、組織管理者に連絡して、権限が適切に設定されていることをご確認ください。
自動化における Atlassian Intelligence の利用 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した自動化は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープン ソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence では、これらのモデルを利用して自然言語の入力を分析し、Jira と Confluence 内で自動化ルールを生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、トレーニングを受けたデータに基づいて、最も可能性の高い次の単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープン ソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

Atlassian Intelligence を使用した自動化のユースケース Copy link to heading Copied! 表示
  

自動化ルールの作成は、日常の自動化エクスペリエンスの主要部分です。そのためアトラシアンでは、Jira と Confluence の自動化ルール ビルダーに Atlassian Intelligence を追加することで、ルールの作成をさらに簡単にしたいと考えました。その結果、自動化する内容を入力して説明するだけで、簡単に自動化ルールを作成できるようになりました。Atlassian Intelligence がルールを作成の煩雑な作業をすべて引き受けますJiraConfluence 向けの Atlassian Intelligence を使用した自動化の詳細をご覧ください。

Jira と Confluence 向けの Atlassian Intelligence を使用した自動化が最も効果を発揮するのは、開始方法がわからない場合や、ルール作成プロセスを加速したい場合です。

自動化ルールの最適な作成方法がわからない場合

自動化ルールは、トリガー、アクション、条件、ブランチなど、さまざまなタイプのコンポーネントを組み合わせて作成します。コンポーネントはルールの構成要素と考えてください。Atlassian Intelligence でルールを正常に作成するには、ルールに少なくともトリガーとアクションの両方が 1 つずつ含まれている必要があります。次に例を示します。

Jira の場合

毎週月曜日、期限が 7 日以内のタスクをすべて検索し、担当者にリマインダー メールを送信する。

チケットがテストに移動したら、そのチケットを John Smith に割り当てます。

Confluence の場合

  • 毎週月曜日、期限が 7 日以内のタスクをすべて検索し、担当者にリマインダー メールを送信する。
  • 6 か月ごとに、その期間中に更新されていないページをすべてアーカイブし、その後、ページの作成者にメールで通知する。
  • タイトルに「製品仕様」を含むページが公開されたら、そのページへのリンクを含むページをレビューするための Jira チケットを作成する。

さらに、ルールを正常に作成するには、そのルールを構成するすべての要素が Atlassian Intelligence を使用した自動化でサポートされている必要があります。つまり、ルール内のトリガー、アクション、条件、ブランチはすべて Jira と Confluence の自動化と互換性がなければなりません。

Atlassian Intelligence を使用した自動化に関する考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した自動化を機能させるためのモデルの仕組みにより、これらのモデルが不正確または不完全であったり、信頼性に欠ける動作をする場合がありますので、その点をご留意ください。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した自動化は、次のようなシナリオではあまり効果的でないことが判明しています。

  • Atlassian Intelligence がリクエストに適切に回答するために、リクエスト送信者が利用できない情報 (たとえば、制限されたページやプロジェクト) へのアクセスを Atlassian Intelligence を使用した自動化に提供する必要がある。
  • 1 回限りのタスクを実行する必要がある。
  • ナレッジ ベース内から情報を問い合わせる必要がある。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

Atlassian Intelligence を使用した自動化は、JiraConfluence で利用可能な既存の自動化コンポーネントでのみ機能します。

また、前述のように、Atlassian Intelligence にはできるだけ具体的な内容の質問をすることが推奨されます。

Atlassian Intelligence を使用した自動化におけるお客様データの取り扱い Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した自動化において、お客様のデータがどのように取り扱われるのか疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • Jira プロジェクトまたは Confluence ページなど、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

お客様のデータ保護のため、Atlassian Intelligence を使用した Confluence 自動化では次の対策を適用しています。

  • プロンプト (入力) と回答 (出力) について
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません
    • LLM ベンダーには保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。

サードパーティの LLM プロバイダーはすべて副処理者であり、「副処理者」ページに記載されています。これらのプロバイダーがリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。

この機能は、ご利用のインスタンスの権限に従います。たとえば、お客様が特定のプロジェクトまたはページにアクセスできない場合、それらのコンテンツを使用した提案が受信した回答に含まれることはありません。ご自身のコンテンツをインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。

アラートのグループ化

Atlassian Intelligence でアラートをグループ化する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence によるアラートのグループ化は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらのモデルには、アラート データのパターンを識別するために設計されたアルゴリズム、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence は、これらの機械学習モデルを利用して、アラート グループを分析および生成し、アラートの内容や使用されているタグの類似性に基づいて、製品内で関連性のある提案 (過去のアラート グループや過去のアラート対応者) を行います。次に、Atlassian Intelligence は大規模な言語モデルを利用して、製品内のこれらのグループの自然言語による説明や内容を分析および生成します。

これらの大規模な言語モデルは、入力された内容に基づいて回答を生成し、確率的です。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

アラートのグループ化のユース ケース Copy link to heading Copied! 表示
  

アラートのグループ化では、Atlassian Intelligence を利用して識別し、同様のアラートを一緒にグループ化します。また、アラートの内容や使用されているタグとの意味的な類似性に基づいて、過去の類似アラート グループや過去のアラート対応者 (または対応者のチーム) を特定して推奨することにも役立ちます。

アラート グループをインシデントにエスカレートする場合、状況に応じた情報すべてがアラートのグループ化により事前に入力され、インシデント作成プロセスの一環として確認できます。

アトラシアンでは、アラートのグループ化は次のようなシナリオで最も効果的だと考えています。

  • 組織では、短期間または長期間にかかわらず、類似または重複しているアラートが大量に発生するパターンが頻繁に起きている。
  • 組織では、常にアラートをタグで分類している。
  • チームは、類似または重複しているアラートをインシデントにエスカレートする必要があると気付くことが多い。
アラートのグループ化を使用する際の考慮事項 Copy link to heading Copied! 表示
  

アラートのグループ化の強化のために使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答に質問の内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。表示されるアラート グループには、タグの意味的な類似性が正確に反映されない可能性があります。

アラートのグループ化は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • アラートを適切にグループ化するために、アラートをグループ化する際に、アクセスする必要のある情報がすぐに利用できない。アラートのグループ化は、チームが設定した役割や権限の範囲内で機能するため、閲覧権限のあるアラートのグループとインサイトにのみアクセスできる。
  • チームが使用しているアラート タグが一貫していない、または適切に管理されていない。アラートのグループ化は、アラートのタイトルとタグの意味的な類似性に基づいてアラートをグループ化することで機能するため、生成されるアラート グループの品質は、チームや組織が使用するアラート タグの一貫性とハイジーンによって決まる。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

また、アラート タグを使用する際に、あなたとチームが一貫したプラクティスに従うようにすることもご検討ください。

お客様のデータとアラートのグループ化 Copy link to heading Copied! 表示
  

アラートのグループ化でのデータの扱いについて、さまざまな疑問が生じることでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • アラート データ (アラート タイトル、アラート タグ、優先度、対応者チーム、説明) など、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

アトラシアンでは、お客様のアラート データを処理して、機械学習モデルのバージョンをトレーニングし、お客様のアラート特有のパターンを認識します。このバージョンは、ご自身のエクスペリエンスのためにのみ利用されます。

  • 当社は特定したパターンを保存し、お客様にインサイトをご提供します。
  • お客様のアラート データを利用して LLM をトレーニングすることはありません。

データについては、アラートのグループ化では次の指標が適用されます。

  • お客様の入力と出力:
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • LLM ベンダーには保管されません

    • LLM モデルの改良には利用されません

    • ご自身のエクスペリエンスのためにのみ利用されます。

  • サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はサイトの権限に従います。たとえば、Atlassian Intelligence はタグと意味的な類似性に基づいて 50 件のアラートをグループ化し、ユーザーがそのうち 30 件のみを表示する権限を持っている場合、グループ詳細ビューにはその 30 件のみが表示されます。ご自身のアラートがサイトの他のユーザーへの対応として利用されないようにするには、組織/サイトの管理者に連絡して、権限が適切に設定されていることをご確認ください。
Atlassian Intelligence が Confluence のページとブログを要約する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用したページやブログの要約は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

Confluence の簡単な要約のユース ケース Copy link to heading Copied! 表示
  

Atlassian Intelligence で Confluence ページやブログの簡単な要約を生成することで、時間を節約して、作業時間を短縮するために必要な詳細を入手できます。Confluence での Atlassian Intelligence の使用に関する詳細をご覧ください。

Atlassian Intelligence を利用したページやブログの要約は、次のようなシナリオで最も効果的です。

  • ページ内のテキスト量が多く、読むのに 5 分以上かかる。
  • ビジュアルが限られている、またはページの展開などの他のフォーマットで記述されたコンテンツが多い。
Atlassian Intelligence を利用してページやブログを要約する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence の機能を利用してページやブログの要約を強化するというモデルの利用方法により、これらのモデルが不正確、不完全、または信頼性の低い動作をする場合があることにご注意ください。

たとえば、受け取った回答に質問の内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

当社は、マクロ、表、要約の展開のサポートを改善し続けていますが、Atlassian Intelligence を利用したページやブログの要約が、次のようなシナリオではあまり効果的でないことが判明しました。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • コンテンツが不十分な、非常に短い Confluence ページの要約が必要な場合。
  • ほとんどのコンテンツが表形式または展開されている Confluence ページの要約が必要な場合。
  • ほとんどのコンテンツがマクロである Confluence ページの要約が必要な場合。

Atlassian Intelligence を利用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • テキストベースのコンテンツが多いことがわかっているページを要約するよう Atlassian Intelligence に依頼する。
お客様のデータおよび Atlassian Intelligence を利用したページやブログの要約 Copy link to heading Copied! 表示
  

Confluence 自動化に Atlassian Intelligence を利用する際に、お客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。

  • 要約する Confluence ページのコンテンツなど、プロンプトに関連するインスタンスのコンテキスト。

  • クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。

  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データに関しては、Atlassian Intelligence を利用したページやブログの要約には、次のような対策を適用しています。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません
    • LLM ベンダーには保管されません

    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はインスタンスの権限に従います。たとえば、Confluence ページにアクセスできない場合、この機能は表示されず、Atlassian Intelligence を利用してページを要約することもできません。ご自身のコンテンツをインスタンスの他のユーザーに利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。

Atlassian Intelligence で用語を定義する

Atlassian Intelligence が用語を定義する方法 Copy link to heading Copied! 表示
  

Confluence と Jira における Atlassian Intelligence を使用した用語の定義は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを利用して、Confluence と Jira 内の自然言語による回答を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

Atlassian Intelligence を利用した用語の定義のユース ケース Copy link to heading Copied! 表示
  

Confluence や Jira でコンテンツを利用する際に最も難しいことの 1 つは、読んでいる内容を理解するために必要となるコンテキストの把握です。略語、頭字語、なじみのない用語、チームやプロジェクト固有の名前は、必要な情報を得るために長時間検索することにつながります。

Atlassian Intelligence を利用して用語を定義すると、Confluence のページや Jira の課題説明のページに、会社固有の用語 (頭字語、プロジェクト名、システム名、チーム名など) の定義が表示されます。これにより、ユーザーは必要な情報を随時取得でき、それと同時にチームの連携を強化できます。

Atlassian Intelligence を使用すれば、読んでいるコンテンツから離れることなくこれらを自動的に定義できるため、時間を節約できます。

正しくないと思われる定義が見つかった場合は、既存の定義を編集するか新しい定義を追加してから、当該のページや課題説明にその定義が表示されるように設定するか、スペース全体、プロジェクト全体、組織全体にその定義が表示されるように設定することができます。

Confluence と Jira での Atlassian Intelligence を利用した用語の定義は、次のようなシナリオで最も効果的です。

  • 会社の Confluence インスタンスには、Atlassian Intelligence が参照する特定の用語について言及、記述、または説明しているページが複数ある。
Atlassian Intelligence を使用して用語を定義する際の考慮事項 Copy link to heading Copied! 表示
  

Confluence で Atlassian Intelligence の機能を利用して用語を定義するというモデルの利用方法により、これらのモデルが不正確、不完全、または信頼性の低い動作をする場合があることにご注意ください。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Confluence で Atlassian Intelligence を利用して用語の定義をすることは、次のようなシナリオではあまり効果的でないことが判明しました。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • Confluence インスタンス内の用語についてのコンテキストが十分ではない(たとえば、特定の用語に言及しているページがない場合、その用語の定義は正確に生成されません)。
  • 用語を定義するには、ユーザーが閲覧権限を持たない Confluence コンテンツにアクセスする必要があります。
  • 一度に 1 つの用語を定義するのではなく、複数の用語を定義しようとしている。

さらに、Atlassian Intelligence を使用して用語を定義するには Confluence での検索が必要であるため、この機能は、Jira インスタンスと同じサイトにある Confluence インスタンスを閲覧する権限がある場合にのみ Jira で使用できます。

また、Confluence スペースや Jira インスタンスに複数の言語で書かれたコンテンツがある場合は、Atlassian Intelligence を使用した用語の定義が期待どおりに機能しないことがあります。

Atlassian Intelligence による用語の定義で使用されるお客様のデータ Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して用語を定義する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • 定義したい用語など、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用して用語を定義する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • どの LLM プロバイダーにも保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能は既存のユーザー アクセス権限に従うため、ユーザーがアクセス権限を持たないコンテンツから定義が表示されることはありません。その代わりに、この機能は、ユーザーがインスタンス内で閲覧する権限を持っているページとプロジェクトからのみコンテンツと定義を取得します。ご自身のコンテンツがインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。
  • ユーザーが定義の編集や更新を手動で行った場合、その定義は 1 年間保管されます。

エディターのジェネレーティブ AI

編集エクスペリエンスにおける Atlassian Intelligence の仕組み Copy link to heading Copied! 表示
  

編集エクスペリエンスにおける Atlassian Intelligence は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

エディターでのジェネレーティブ AI のユース ケース Copy link to heading Copied! 表示
  

Atlassian Intelligence は、組織内のすべてのチームで効果的なコミュニケーションを促進し、効率、意思決定、プロセスを向上させるのに役立ちます。

アトラシアンでは、編集エクスペリエンスに Atlassian Intelligence を使用すると、次のようなシナリオで最も効果的だと考えています。

  • 既存のコンテンツを対象ユーザー別に変換する。Atlassian Intelligence は、調子を変えたり、文章を改善し、技術情報を他のチームが理解しやすくしたりするのに役立ちます。これは、文章をより専門的かつ簡潔にしたいチームに最適です。
  • 既存のコンテンツを要約する。Atlassian Intelligence を使用すると、大まかなメモを有益な戦略ドキュメンテーション、ナレッジ・ベース記事、キャンペーン計画などに変換できます。また、既存の情報を分析して行動計画や項目を分析するのにも使用できます。これは、ページ内のテキスト量が多く、そこから多くのコンテキストを抽出する場合に最適です。
  • 新しいコンテンツを生成する。Atlassian Intelligence は、戦略ページ、プロジェクト概要、リリース・ノート、ユーザー・ストーリーなどの新しいコンテンツを作成するのに役立ちます。これは、チームが特定の目標を念頭に置き、明確で具体的なプロンプトを使用する場合に最適です。
編集エクスペリエンスに Atlassian Intelligence を使用する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した編集エクスペリエンスにモデルがどのように使われているかを理解し、これらが不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った応答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

編集エクスペリエンスにおける Atlassian Intelligence は、次のようなシナリオでは、あまり効果的でないことが判明しました。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • リクエストに正しく回答するためにアクセスする必要のある情報がすぐに利用できない(インスタンスに存在しないなど)。
  • 標準のマークダウンを超える形式でコンテンツを生成する必要がある(情報パネルを最初から生成するなど)。
  • 編集中の文書にはまだ存在していない情報を参照する必要がある(別の文書や別の製品に存在するコンテンツなど)。
  • 英語以外の言語でコンテンツを生成および変換する必要がある。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence に質問する内容をできるだけ具体的にする。
  • 複雑な要求をより小さな管理しやすいタスクに分割します。
  • 関連するキーワードを組み込んで、生成されるコンテンツの精度を高めます。
  • 入力テキストには適切な文法と句読点を使用します。
  • AI ライティング・アシスタントによって生成された出力を校正、レビュー、編集して、正確でわかりやすくします。
  • さまざまなプロンプトや入力テキストのバリエーションを試して、さまざまなアイデアを探ります。
  • 他のユーザーと協力してフィードバックを収集し、出力の品質を向上させます。
編集エクスペリエンスにおけるデータと Atlassian Intelligence Copy link to heading Copied! 表示
  

編集エクスペリエンスにおいて Atlassian Intelligence でお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • Atlassian Intelligence をトリガーした製品など、プロンプトに関連するインスタンスからのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データに関しては、編集エクスペリエンスにおける Atlassian Intelligence には、次の対策を適用しています。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • どの LLM プロバイダーにも保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はインスタンスの権限に従います。たとえば、特定の Confluence ページにアクセスできない場合、受信した回答でそのページのコンテンツが提案されることはありません。ご自身のコンテンツをインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。
課題再整形機能による Atlassian Intelligence の使用 Copy link to heading Copied! 表示
  

課題再整形機能は、OpenAI の GPT シリーズのモデルを含む、OpenAI によって開発された大規模言語モデルを利用しています。

Atlassian Intelligence はこのモデルを使用して、Jira 内で自然言語を分析/生成します。

これらのモデルは、入力に基づいて回答を生成しますが、実際には確率論を使用しています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの機能について詳細をご確認ください。

課題再整形機能のユースケース Copy link to heading Copied! 表示
  

課題再整形機能を使用すると、アトラシアンが開発したテンプレートに基づいて再整形を行い、Jira 課題の説明をわかりやすくできます。このテンプレートは、ユーザー ストーリー、作業のコンテキスト、承認基準など、Jira 課題の説明で通常見られる種類の情報を網羅しています。

課題再整形機能は、課題の説明にすでに有用な情報 (承認基準や情報源へのリンクなど) が含まれているが、その情報が明確または一貫した構造で整形されていない場合に最も大きな効果を発揮します。

課題再整形機能を使用する際の考慮事項 Copy link to heading Copied! 表示
  

課題再整形機能に使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、再整形された説明に元の内容が正確に反映されていなかったり、一見筋が通っているようでも虚偽または不完全な細部が含まれていたりする可能性があります。

課題再整形機能は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • 課題の説明にあまり情報が含まれていない。この場合、課題再整形機能に使用されているモデルが、元の説明に含まれていない情報を追加する可能性が高くなります。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を必ず確認した上で、他の人と共有することをお勧めします。あわせて、課題再整形機能を使用して課題を再整形する前に、課題の説明に関連情報がすべて含まれているかどうか確認することを検討してください。

お客様のデータと課題再整形機能について Copy link to heading Copied! 表示
  

課題再整形機能でお客様のデータがどのように使用されるかについて、ご不明な点があると思います。このセクションは、当社の Trust Center で入手できる情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • Jira 課題の説明や要約など、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

課題再整形機能では、お客様のデータに対して次の指標が適用されます。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません
    • OpenAI 以外のサードパーティの LLM プロバイダには送信されません。
    • OpenAI によって保存されません。
    • OpenAI のモデルの改善には使用されません。
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。これらのプロバイダーがリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能は、該当の Jira 課題で入手可能な情報のみを使用し、その Jira 課題から呼び出されます。したがって、その課題の閲覧権限を持つユーザー以外は呼び出すことができず、また他の情報にはアクセスできません。

Jira Service Management で課題の詳細を要約する。

Atlassian Intelligence が Jira Service Management で課題の詳細を要約する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した課題の詳細の要約は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

Jira Service Management での課題詳細の要約のユースケース Copy link to heading Copied! 表示
  

Jira Service Management で課題に関する長文の説明や多数のコメントをすべて読む代わりに、Atlassian Intelligence でこれらの情報をすばやく要約できます。簡単に新しい関係者と情報を共有したり、新しいエージェントにチケットを移動したり、課題に関する詳細情報を入手したりできます。これにより、エージェントは課題のコンテキストと進捗状況をすばやく理解でき、迅速に行動し、タイムリーな支援を提供できます。

Atlassian Intelligence を使用した課題の詳細の要約は、次の場合に最適だと私たちは考えています。

  • 説明とコメントが英語で記述されている課題。
  • コメントの数が多い課題や、コメントや説明が長い課題。
Atlassian Intelligence を使用して課題を要約する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence の機能を使用して課題の詳細の要約を強化するというモデルの仕組み上、これらのモデルが不正確、不完全、または信頼性の低い動作をする場合があることにご注意ください。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した課題の詳細の要約は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 英語以外の言語を使用している
  • 課題に履歴や詳細がない

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

Atlassian Intelligence を使用して課題の詳細を要約する際のお客様のデータの取り扱いについて Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して課題の詳細を要約する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • プロンプトに関連するインスタンスからのコンテキストには、Jira Service Management の課題に関する詳細が含まれます(課題の説明、コメント、チケットに関係するユーザーなど)。
  • クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用して課題の詳細を要約する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • どの LLM プロバイダーにも保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • あらゆるサードパーティの LLM プロバイダーは復処理者であり、「復処理者」ページに記載されています。これらのプロバイダーがリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はインスタンスの権限に従います。エージェントとプロジェクト管理者のみに「要約」ボタンが表示されます。

エディターのジェネレーティブ AI

Atlassian Intelligence でスマート リンクを要約する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence (AI) によるスマート リンクの要約は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

スマート リンクの要約を活用したユース ケース Copy link to heading Copied! 表示
  

Jira、Confluence、Google Docs のスマート リンクにカーソルを合わせると、Atlassian Intelligence がコンテンツを要約して、ユーザーがリンクの重要性と価値を判断し、次のアクションを決定できるようにします。これにより、現在のページを離れてコンテキストを切り替える必要が減ります。

アトラシアンでは、AI でスマート リンクを要約することは、次のようなシナリオで最も効果的に機能すると考えています。

  • スマート リンクや課題を含むページを見ている。
  • スマート リンクや課題を含み、情報量やコンテンツが多いページを見ている。これらのスマート リンクや課題に時間がかかり、目的のメイン コンテンツを読むことに集中できない。
Atlassian Intelligence を利用しスマート リンクを要約する際の考慮事項 Copy link to heading Copied! 表示
  

AI によるスマート リンク要約のために使用されるモデルの仕組み上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った要約には基になっている内容が正確に反映されていなかったり、一見筋が通っているようでも虚偽または不完全な内容が含まれていたりする可能性があります。

AI でスマート リンクを要約することは、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • 非常に短いコンテンツを要約する必要がある。
  • 1 つのリンク内のすべてのメタデータとコンテンツを要約する必要がある。たとえば、Jira チケットのすべてのフィールド値、その説明とコメントの内容を理解したい場合。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

お客様のデータと Atlassian Intelligence を使用したスマート リンクの要約 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して課題の詳細を要約する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • 要約するリンクの内容など、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • この機能についてお客様が提供するフィードバック (フィードバックの一部として共有する回答を含む)。

お客様のデータについては、AI を使用したスマート リンクの要約では次の指標が適用されます。

  • お客様の要約:
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • どの LLM プロバイダーにも保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はインスタンスの権限に従います。たとえば、Jira や Confluence のチケットやページ、または Google のページにアクセスできない場合、そのソースからのコンテンツを要約することはできません。ご自身のコンテンツがインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。

Jira Service Management での Atlassian Intelligence の回答

Jira Service Management の仮想サービス エージェントにおける Atlassian Intelligence の利用 Copy link to heading Copied! 表示
  

Jira Service Management の仮想サービス エージェントは、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープン ソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) や他の機械学習モデルを利用しています。

仮想サービス エージェントはこれらのモデルを次のように使用します。

  • インテント: 各インテントは、仮想サービス エージェントがカスタマーのために解決をサポートできる特定の問題、質問、またはリクエストを表しています。インテントは、トレーニング データ セット (詳細については、後述の「お客様のデータと仮想サービス エージェント」を参照) に基づいて、組織に合わせた機械学習モデルを使用してトレーニングされます。このモデルは、カスタマーからの質問を組織のコンテキストで理解するために使用されます。インテントの詳細をご確認ください
  • Atlassian Intelligence による回答では、生成 AI を使用して、リンクされた Confluence ナレッジ ベース スペース全体を検索し、顧客の質問に応じてその情報を要約します。Atlassian Intelligence による回答は、OpenAI によって開発された大規模言語モデルやその他の機械学習モデルを利用しています。Atlassian Intelligence による回答の詳細をご確認ください
  • 「データから」インテント テンプレートは、プロジェクトの課題を使用して生成されます。機械学習を使用して、最も一般的なテーマをグループ化し、各グループのインテントを提案し、提案された各インテントのタイトル、説明、トレーニング フレーズを生成します。「データから」インテント テンプレートは、大規模な言語モデルを含む機械学習モデルの組み合わせを利用しています。インテント テンプレートの詳細をご確認ください

大規模言語モデルの仕組み: 大規模言語モデルは、入力に基づいて応答を生成しますが、実際には確率論を使用しています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

仮想サービス エージェントを強化するために使用される大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

Jira Service Management の仮想サービス エージェントのユースケース Copy link to heading Copied! 表示
  

仮想サービス エージェントは、対話のインテント、コンテキスト、権限を分析および理解して対話をパーソナライズする会話型 Atlassian Intelligence エンジンを利用して、チームが第 1 階層のサポートの対話を自動化するのに役立ちます。

Atlassian Intelligence を使用する仮想サービス エージェントは、チームがサービス デスクを拡張し、次の 3 つの主要な機能で顧客を満足させるのに役立ちます。

  • インテント: プロジェクト管理者が作成するもので、仮想サービス エージェントが解決を支援する顧客の特定の問題、質問、またはリクエストを表します。
  • Atlassian Intelligence による回答: 生成 AI を使用して、リンクされたナレッジ ベース スペース全体を検索し、顧客の質問に対する回答を要約します。
  • 「データから」インテント テンプレート: プロジェクトの Jira Service Management の課題をグループ化し、パーソナライズしたインテントの提案です。これによって、プロジェクト管理者はインテントをさらに迅速に作成できるようになります。

仮想サービス エージェントは、Slack、Microsoft Teams、Jira Service Management ポータルなどの複数のチャンネルで利用できます。仮想サービス エージェントを利用できるチャンネルの詳細をご確認ください。

仮想サービス エージェントは、次のようなシナリオで最も効果的に機能すると考えられます。

  • サービス チームに第 1 階層のサポートの質問が大量に寄せられる。
  • エージェントが同じ質問に繰り返し答えている。
  • 仮想サービス エージェントが顧客の質問に回答するために使用できる、完全で最新のリンクされたナレッジ ベースがある。
  • サービス チームが、複数の解決結果が考えられるリクエストを受け取ることが多く、これらのリクエストが、プロジェクト レベルの仮想サービス エージェントの主要な機能である、インテントと Atlassian Intelligence による回答の両方の使用に適している。
    • インテントは、顧客のリクエストを解決するためにアクションを実行する必要がある場合 (たとえば、エージェントが解決すべき課題を作成する)、または顧客から情報を収集するために双方向の会話が必要な場合に最も効果的に機能します。インテントは、顧客と共有する情報をより細かく制御できるため、特定のリクエストに対して固定的かつ決定的な結果が必要なシナリオにも最適です。
    • Atlassian Intelligence による回答は、エージェントの介入を必要とせずに情報と指示を提供することで顧客の要求を解決できる場合に最も効果的です。
  • 「データから」テンプレートの場合:
    • プロジェクトで少なくとも 50 件の課題を受け取った (インテント テンプレートの提案から、役に立つ十分な情報にアクセスできるため)。
    • 今後のイベントや技術的な障害など、顧客行動における最近の変化に気づいた (「データから」インテント テンプレートでは、最近よく寄せられる顧客の問い合わせが識別され、グループ化されるため)。
Jira Service Management で Atlassian Intelligence の回答を使用する際の考慮事項 Copy link to heading Copied! 表示
  

仮想サービス エージェントを機能させるために使用した方法が原因で、これらのモデルが不正確、不完全、または低い信頼性で動作する場合があることを覚えておくことが重要です。

たとえば、質問の内容が回答に正確に反映されていなかったり、一見筋が通っているようでも虚偽または不完全な内容が含まれていたりする可能性があります。

仮想サービス エージェントは、次のようなシナリオではあまり役に立たないことがわかっています。

  • 顧客からの第 1 階層のリクエストの量が少ない。
  • インテントの作成 (または「データから」インテント テンプレートの使用) や、Atlassian Intelligence による回答の有効化など、仮想サービス エージェントの機能のすべてを利用していない。
  • インテントの場合:
    • 意味が広すぎる、または多様すぎるトレーニング フレーズを追加している。インテント マッチングは、インテントが具体的である場合に最適に機能します。
    • 顧客からの一般的な質問方法を正確に反映していないトレーニング フレーズを追加している。マッチングは意味に基づき、トレーニング フレーズと顧客の質問との類似を探します。
    • 似すぎている複数のインテントを作成した。インテント間でトピックが重複していると、仮想サービス エージェントが混乱し、間違ったインテントが提案される可能性があります。
  • Atlassian Intelligence による回答の場合:
    • 顧客は、人、場所、事実に関する最新かつ正確な情報を必要としている。
    • 質問に答えるためにアクセスする必要のある情報がすぐに利用できない (たとえば、リンク先のナレッジ ベースへのアクセス権がない)。
    • ナレッジ ベースが古いか不完全である、またはその記事が質問に適切に回答できるほど詳細ではない。
  • 「データから」インテント テンプレートの場合、Jira Service Management プロジェクトの課題で利用できるデータの品質が低い (または課題が 50 未満である) ため、意味のあるグループが見つからない。

Atlassian Intelligence を使用する状況を考え、顧客に対して仮想サービス エージェントを有効にする前に、そのパフォーマンスを確認することをお勧めします。仮想サービス エージェントのパフォーマンスを向上させる方法の詳細をご確認ください

こちらもぜひご検討ください。

お客様のデータと仮想サービス エージェント Copy link to heading Copied! 表示
  

Jira Service Management の仮想サービス エージェントでお客様のデータがどのように使用されるかについて、ご不明な点があるかもしれません。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • プロンプトに関連するインスタンスからのコンテキスト。たとえば、Atlassian Intelligence による回答に要約されている、リンク先ナレッジ ベースからの Confluence 記事や、推奨インテントを生成するための過去の Jira チケットなど。

  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。

  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

お客様のデータに関して、仮想サービス エージェントでは次の基準が適用されます。

  • Jira Service Management プロジェクト チャンネルでのインテント マッチングの場合:
    • インテント (「データから」インテント テンプレートを含む) は、お客様から提供されたトレーニング データ セットに基づいて、組織に合わせた機械学習モデルでトレーニングされます。これには、プロジェクト管理者が作成したインテントとトレーニング フレーズ、または標準インテント テンプレートや「データから」インテント テンプレート内で提案されたインテントとトレーニング フレーズが含まれます。
    • お客様の組織のために開発されたトレーニング データとトレーニング済みの機械学習モデルは、他のアトラシアンの顧客とは共有されません。
    • トレーニングはプロジェクト レベルでのみ行われます。つまり、インテント作成プロセス中に管理者が提供するトレーニング フレーズに基づいてインテントがトレーニングされ、管理者はトレーニング データを完全に制御できます。データは 1 つのサイト上の複数のプロジェクトにまたがって使用されることはありません。
    • これらのモデルは 1 つの Jira Service Management サイト用に保存され、サイトが削除されると削除されます。
  • Jira Service Management ヘルプ センターのインテント マッチングの場合:
    • アトラシアンでは、データ レジデンシーに準拠してベクトルを作成し、保存しています。
    • これらのモデルは 1 つの Jira Service Management サイト用に保存され、サイトが削除されると削除されます。
  • Atlassian Intelligence による回答の場合:
    • プロンプト(入力)と回答(出力):
      • 他のお客様は利用できません
      • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティ LLM プロバイダーは利用できません
      • どの LLM プロバイダーにも保管されません
      • 大規模言語モデルの改良には使用されません
      • ご自身のエクスペリエンスのためにのみ利用されます。
    • この機能は、リンクされたナレッジ ベース スペースに適用される権限と制限に従います。つまり、Jira Service Management ポータルでカスタマーが利用できるすべてのページが、Atlassian Intelligence による回答でもカスタマーへの応答時に利用可能となります。たとえば、特定の Confluence ページへのアクセスが制限されており、通常は Jira Service Management で利用できない場合、そのページのコンテンツは Atlassian Intelligence による回答では提案されません。自分のコンテンツをインスタンス内の他のユーザーへの回答で利用されないようにするには、組織管理者に連絡して、権限が適切に設定されていることを確認してください。
  • 「データから」インテント テンプレートの場合:
    • Jira Service Management のチケット データ (入力) と、そのデータから作成された推奨インテント テンプレート (出力):
      • 他のお客様は利用できません
      • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティ LLM プロバイダーは利用できません
      • どの LLM プロバイダーにも保管されません
      • 大規模言語モデルの改良には使用されません
      • ご自身のエクスペリエンスのためにのみ利用されます。
    • Jira Service Management 課題の分析と、接続されている Jira Service Management プロジェクトでカスタマーから提出されたチャット記録は、エクスペリエンスの提供のみを目的としています。

  • OpenAI は「副処理者」ページに記載されている副処理者です。これらのプロバイダーがリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。

Atlassian Intelligence で課題の詳細を要約する

Atlassian Intelligence が Jira で課題の詳細を要約する仕組み Copy link to heading Copied! 表示
  

Jira の AI 要約は、OpenAI によって開発された大規模な言語モデルを利用しています。こうしたモデルには、こちらで説明されている OpenAI モデルが含まれます。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析/生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

Atlassian Intelligence を使用した課題の詳細の要約について Copy link to heading Copied! 表示
  

Jira 課題上にある長文の説明や多数のコメントをすべて読む代わりに、Atlassian Intelligence を活用することで、こうした情報をすばやく要約できます。これにより、エージェントが課題のコンテキストとこれまでの進捗をすばやく理解し、迅速にアクションを実行して、タイムリーな支援を提供できます。

Atlassian Intelligence による課題の詳細の要約は、コメントの数が多い課題や、長いコメントや説明がある課題に取り組む際に最も役立つでしょう。

Atlassian Intelligence で課題の詳細を要約する際の制限と考慮事項 Copy link to heading Copied! 表示
  

Jira の AI 要約に使用されているモデルは、その構造上、不正確、不完全、または信頼できない動作をする可能性があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した課題の詳細の要約は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 課題に履歴や詳細がない
  • 課題に 100 件以上のコメントがある (最新のコメント 100 件のみが要約されます)

このような理由から、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認したうえで、他のユーザーと共有することをお勧めします。

Atlassian Intelligence を使用して課題の詳細を要約する際のお客様のデータの取り扱いについて Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して課題の詳細を要約する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションは、当社の Trust Center で入手できる情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • プロンプトに関連するインスタンスからのコンテキスト (課題の説明、コメント、チケットに関連するユーザーなど、Jira 課題の詳細を含む)。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用して課題の詳細を要約する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト (入力) と回答 (出力) について
    • 他のお客様は利用できません
    • OpenAI 以外のサードパーティの LLM プロバイダーには送信されません
    • OpenAI によって保存されません
    • OpenAI モデルの改善には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、アトラシアンの副処理者のリストに含まれる副処理者です。副処理者がリクエストを処理するための目的以外で、お客様の入力と出力を使用することはありません。
  • この機能は、ご利用のインスタンスの権限に従います。この機能は、該当の Jira 課題で入手可能な情報のみを使用し、その Jira 課題から呼び出されます。したがって、その課題の閲覧権限を持つユーザー以外は呼び出すことができず、また他の情報にはアクセスできません。

AI による作業分解

AI Work Breakdown による Atlassian Intelligence の活用方法 Copy link to heading Copied! 表示
  

AI Work Breakdown は、OpenAI によって開発された大規模な言語モデルを利用しています。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析/生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチに関する詳細は、OpenAI の研究論文をご参照ください。

AI Work Breakdown について Copy link to heading Copied! 表示
  

AI Work Breakdown は、お客様が作成した Jira 課題に基づいて子課題を提案するため、大規模な作業をより小さなタスクに分割するのに便利です。課題をコンテキストとして使用し、子課題の要約と説明の提案を生成します。

AI Work Breakdown は、次のようなシナリオで最適に機能します。

  • 最初に取り組む課題が、制約、指示、完了の定義など、詳細な要約と説明を持っている場合
  • 最初に取り組む課題が、既存の子課題を持たない場合
AI Work Breakdown を使用する際の制限と考慮事項 Copy link to heading Copied! 表示
  

AI Work Breakdown を機能させるために使用されているモデルは、その構造上、不正確、不完全、または信頼できない動作をする可能性があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

AI Work Breakdown は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • 最初に取り組む課題に、詳細な課題の要約と説明がない (たとえば、非常に短く不明瞭な説明を含む課題に基づいて子課題の提案を生成しようとしている場合)

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence に質問する内容をできるだけ具体的にする。
  • 最初に取り組む課題の要約と説明には、できるだけ多くの情報を提供する。
お客様のデータと AI Work Breakdown Copy link to heading Copied! 表示
  

お客様のデータが AI Work Breakdown でどのように使用されるか、疑問をお持ちのことでしょう。このセクションでは、アトラシアンの Trust Center で入手できる情報を補足します。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • プロンプトに関連するインスタンスからのコンテキスト (要約、説明、コメントなどの課題データを含む)。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

AI Work Breakdown は、お客様のデータに対して次の指標を適用します。

  • プロンプト (入力) と回答 (出力) について
    • 他のお客様は利用できません
    • OpenAI 以外のサードパーティの LLM プロバイダには送信されません
    • OpenAI によって保存されません
    • OpenAI モデルの改善には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、アトラシアンの副処理者のリストに含まれる副処理者です。副処理者がリクエストを処理するための目的以外で、お客様の入力と出力を使用することはありません。
  • この機能は、ご利用のインスタンスの権限に従います (子課題の提案を生成するには、ご自身がその課題へのアクセス権を持っている必要があります)。ご自身のコンテンツを他のユーザーが生成した回答に使用されないようにするには、組織管理者にご連絡のうえ、権限が適切に設定されていることをご確認ください。
create incident (インシデントの作成) が Atlassian Intelligence を活用する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した AI によるインシデントの作成は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

AI による create incident (インシデントの作成) のユース ケース Copy link to heading Copied! 表示
  

Jira Service Management で 1 つ以上のアラートまたはアラート グループをインシデントにエスカレーションする場合、AI による create incident (インシデントの作成) は Atlassian Intelligence を使って、インシデント作成プロセスの一環として確認できるように、すべてのコンテキスト情報をすばやく事前入力します。これにより、ユーザーはこれらのアラートやアラート グループから作成されたインシデントのコンテキストをすばやく理解し、インシデントにエスカレーションする際にアラートのタイトル、説明、優先度など、事前に入力された情報を確認、レビューすることができます。

AI による create incident (インシデントの作成) が最も効果的に機能するのは、次のようなシナリオだと考えています。

  • インシデントにエスカレーションするアラートに、英語のタイトルと説明が含まれている。
  • インシデントにエスカレーションするアラートに、長い説明がある。
  • 複数のアラートからインシデントを作成する場合。
AI による create incident (インシデントの作成) を使用する際の考慮事項 Copy link to heading Copied! 表示
  

AI による create incident (インシデントの作成) を強化するために使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

AI による create incident (インシデントの作成) は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • インシデントにエスカレーションするアラートに、英語以外の言語のタイトルまたは説明 (またはその両方) が含まれている。
  • インシデントにエスカレーションするアラートに、限られた情報しか含まれていない。

これらのことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

最も有用な結果を得るには、Atlassian Intelligence に依頼する内容をできるだけ具体的にすることをお勧めします。

また、Atlassian Intelligence に質問する内容はできる限り具体的にしてください。

Atlassian Intelligence によるインシデント作成時のお客様データの取り扱い Copy link to heading Copied! 表示
  

AI による create incident (インシデントの作成) がお客様のデータをどのように使用するかについて、疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • Jira Service Management アラートの説明、タイトル、優先度など、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

お客様のデータに関して、AI による create incident (インシデントの作成) では次の指標が適用されます。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • LLM プロバイダーには保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能は、インスタンス内のアラートの権限に従います。アラートを表示し、インシデントにエスカレーションする権限を持つエージェントにのみ、作成されるインシデントの詳細を入力するための Atlassian intelligence による提案が表示されます。

インシデント事後レビューを作成する

Atlassian Intelligence によるインシデント事後レビューの作成 Copy link to heading Copied! 表示
  

Atlassian Intelligence による PIR (インシデント事後レビュー) の作成には、OpenAI が開発した大規模な言語モデルが使用されています。これらの大規模な言語モデルには、OpenAI の GPT シリーズのモデルが含まれます。Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析/生成します。

これらのモデルは、ユーザーの入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、トレーニングを受けたデータに基づいて、最も可能性の高い次の単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

AI によるインシデント事後レビューの作成に関するユース ケース Copy link to heading Copied! 表示
  

PIR はインシデント管理プロセスの中核であり、インシデント担当者とマネージャーが現在のインシデントから学びを得て、同様のインシデントの発生を防ぐためのインサイトを共有するのに役立ちます。Atlassian Intelligence は、Jira Service Management インスタンスや Slack などのチャット ツールでの関連するコンテキスト情報に基づき、PIR の説明を提案します。これによって、PIR のコンパイルという時間のかかりやすいタスクのスピードアップをサポートします。

AI による PIR の作成が最も効果的に機能するのは、次のようなシナリオでしょう。

  • 組織がインシデントの PIR のコンパイルを一貫して実行している場合。

  • Slack などのチャット ツールや Jira Service Management にインシデントの詳細が点在しており、それらのソースから PIR をコンパイルするためにより多くの時間を費やす必要がある場合。

  • 組織が、インシデントを完全かつ最新な情報とともに Jira Service Management に記録している場合。

AI によるインシデント事後レビューの作成を使用する際の考慮事項 Copy link to heading Copied! 表示
  

PIR の作成に使用されるモデルは、その構造上、不正確、不完全、または信頼できない動作を示す場合があることを念頭に置くことが重要です。たとえば、受け取った回答において、基となっているコンテンツが正確に反映されていない場合や、合理的なようでも虚偽または不完全なコンテンツが含まれている場合もあります。

AI による PIR の作成は、次のようなシナリオにおいてあまり効果的ではないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • PIR の説明が正しく生成されるためにアクセスを必要とする情報に対して、ご自身がアクセスできない状況にある場合 (ご自身がアクセス権を持たないチャット チャンネルなど)。
  • Jira Service Management インスタンスで利用できるデータが不完全であるか、詳細が不十分であるため、PIR を作成しても正確な説明を生成できない可能性がある場合。

こうした理由から、Atlassian Intelligence を使用できる状況をご検討いただき、受け取った回答の質を確認した上で、他のユーザーと共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence に実行してもらいたいアクションを、できるだけ具体的に記述します。
  • チーム全体で一貫したインシデント管理の運用を行うようにします。たとえば、Jira Service Management インスタンスにインシデントに関する完全かつ正確な詳細を記録し、関連するチャット チャンネルをインシデントにリンクするようにします。
お客様のデータと、AI によるインシデント事後レビューの作成 Copy link to heading Copied! 表示
  

AI によるインシデント事後レビューの作成において、お客様のデータがどのように使用されるか、疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • インシデント データ (要約、ラベル、優先度、対応者チーム、説明など)、リンクされたアラート、リンクされた Slack チャット チャンネルなど、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

AI による PIR の作成では、お客様のデータに対して次の指標が適用されます。

  • プロンプト (入力) と回答 (出力) について:
    • 他のお客様は利用できません

    • OpenAI 以外のサードパーティの LLM プロバイダには送信されません

    • OpenAI によって保存されません

    • OpenAI モデルの改善には利用されません

    • ご自身のエクスペリエンスのためにのみ利用されます。

  • あらゆるサードパーティの LLM プロバイダーは復処理者であり、「復処理者」ページに記載されています。

  • この機能は、ご利用のインスタンスの権限に従います。たとえば、そのインシデントでリンクされたアラートやリンクされた Slack チャンネルにご自身がアクセスできない場合は、それらのコンテンツを使用した提案が回答に含まれることはありません。インスタンス内の他のユーザーへの回答に自分のコンテンツが利用されないようにするには、組織管理者に連絡して、ご自身の権限が適切に設定されていることをご確認ください。

Atlassian Intelligence でプル リクエストの説明を生成する

Bitbucket Cloud が Atlassian Intelligence を使用してプル リクエストの説明を生成する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence によるプル リクエストの説明の生成は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語およびコードを分析し、説明を生成します。

これらのモデルは、入力された内容に基づいて回答を生成し、本質的に確率的です。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

Atlassian Intelligence でプル リクエストの説明を生成するユース ケース Copy link to heading Copied! 表示
  

Atlassian Intelligence は、Bitbucket Cloud のコード レビュー エクスペリエンスでプル リクエストの説明やコメントを書いているときに、コンテンツの生成、変換、要約をサポートします。これには、次が含まれます。

  • プル リクエストに含まれるコード変更に基づいてプル リクエストの説明を生成します。
  • プル リクエストの説明の要約、改善、またはトーン変更を行います。
  • プル リクエストのコメントの要約、改善、またはトーン変更を行います。

アトラシアンでは、Atlassian Intelligence を使用した Bitbucket Cloud のプル リクエストの説明の生成は、次のようなシナリオで最も効果的だと考えています。

  • コード作成者が、プル リクエストの説明を書いたり改善したりするのを、Atlassian Intelligence に手伝ってもらいたい。これは、Atlassian Intelligence によって生成されたコンテンツがプル リクエストの説明として適切であると判断できるチームに最適です。
  • コード レビュー担当者が、すでに下書きしたプル リクエストのコメントのトーンや内容の改善を、Atlassian Intelligence に手伝ってもらいたい。
Atlassian Intelligence でプル リクエストの説明を生成する際の考慮事項 Copy link to heading Copied! 表示
  

この機能に使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答に質問の内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した Bitbucket Cloud のプル リクエストの説明の生成は、次のようなシナリオではあまり効果的ではないことが判明しています。

  • プル リクエストの説明で、コード変更にまだ存在していない情報 (たとえば、リポジトリの他の場所に含まれているソース コード) について言及する必要がある。
  • Atlassian Intelligence によって生成されたコンテンツがプル リクエストの説明として正しいかどうかを判断できない。
  • 人、場所、事実に関する最新かつ正確な情報が必要である。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence に質問する内容をできるだけ具体的にする。
  • AI ライティング・アシスタントによって生成された出力を校正、レビュー、編集して、正確でわかりやすくします。
  • 他のユーザーと協力してフィードバックを収集し、出力の品質を向上させます。
Atlassian Intelligence によるデータとプル リクエストの説明の作成 Copy link to heading Copied! 表示
  

Confluence で Atlassian Intelligence を利用して用語を定義する際に、お客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • プロンプト (入力) と回答 (出力)
  • プロンプトに関連するインスタンスからのコンテキスト:
    • プル リクエストのコード変更とコミット メッセージ
    • プル リクエストの説明の内容
    • プル リクエストのコメントの内容
  • クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。
  • この機能について提供したいフィードバック

Atlassian Intelligence を使用したプル リクエストの説明の生成では、データについて次のような対策を適用しています。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • どの LLM プロバイダーにも保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • あらゆるサードパーティの LLM プロバイダーは復処理者であり、「復処理者」ページに記載されています。

Atlassian Analytics で SQL クエリを生成する

Atlassian Intelligence が Atlassian Analytics で SQL クエリを生成する方法 Copy link to heading Copied! 表示
  

Atlassian Analytics における Atlassian Intelligence を使用した SQL クエリの生成は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して自然言語を分析および理解し、それを Atlassian Analytics 内でSQL(構造化クエリ言語)に変換します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

Atlassian Intelligence を使用した SQL クエリ生成のユース ケース Copy link to heading Copied! 表示
  

独自の SQL クエリをゼロから作成するのではなく、Atlassian Intelligence に自然言語で質問して、SQL に変換させます。質問すると、Atlassian Intelligence は、選択したデータ・ソースの Atlassian Data Lake のスキーマを使用して、Atlassian Analytics ダッシュボードにグラフを作成するための SQL クエリを生成します。Data Lake のスキーマについて学ぶのにも役立ちます。

アトラシアンでは、Atlassian Intelligence を使用した SQL クエリの生成は、次のようなシナリオで最も効果的だと考えています。

  • 生成された SQL から始めて、必要に応じてクエリを調整してカスタム・グラフを構築したいと考えている。
  • 自然言語の質問には Atlassian Data Lake のスキーマで参照されている単語や概念が含まれており、できるだけ具体的に記入されている。
  • Atlassian Data Lake のスキーマの詳細を確認したいと考えている。

どのような質問をすればいいのかわからない場合

下記はその例です。

  • Jira の未解決課題数の上位 5 つのラベルは何ですか?
  • 先月、x プロジェクトで完了した Jira の課題は何件ありますか?
  • 上位 5 つのステータスにあった平均時間はどれくらいですか?
  • 先月最もお気に入りに登録された Confluence ページのトップ 5 は何ですか?
  • x Jira Service Management プロジェクトで、過去 5 日間に何件のリクエストが発生しましたか?
Atlassian Intelligence を使用して SQL クエリを生成する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して SQL クエリを生成するために使用されるモデルの動作方法により、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることに留意することが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した SQL クエリの生成は、次のようなシナリオではあまり役に立たないことが判明しました。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • この機能が、Atlassian Data Lake のスキーマではすぐに利用できない情報(たとえば、Advanced Roadmaps のデータなど)にアクセスし、質問に適切に答えるために必要である。
  • 質問にカスタム・フィールドへの参照が含まれている。
  • 英語以外の言語で質問されている。
  • Atlassian Intelligence から返された SQL を検証できるほど SQL に精通していない。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence に質問する内容をできるだけ具体的にする。
  • 使用している Atlassian Data Lake のデータ・ソースに、質問に答えるのに必要なデータが含まれていることを確認する。
データと、Atlassian Intelligence を使用した SQL クエリの生成 Copy link to heading Copied! 表示
  

Atlassian Intelligence を利用して SQL クエリを生成する際に、お客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • インスタンスに適用可能な、一般公開されている Atlassian Data Lake のスキーマを含む、プロンプトに関連するインスタンスからのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データに関しては、Atlassian Intelligence を使用した SQL クエリの生成には、次のような対策を適用しています。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • どの LLM プロバイダーにも保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • すべてのサードパーティの LLM プロバイダーは、「復処理者」のページに記載されています。これらのプロバイダーがリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能は、Atlassian Data Lake の接続の権限に従います。たとえば、Atlassian Data Lake 接続にアクセスできない場合、SQL を構築してクエリを実行することはできません。

Confluence で回答を検索する

Atlassian Intelligence が Confluence で回答を検索する方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用した Confluence における回答の検索は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

Confluence での回答検索のユース ケース Copy link to heading Copied! 表示
  

ナレッジ・ベースが急速に拡大しすぎて、ユーザーが追いつけません。Atlassian Intelligence を使用して Confluence で回答を検索すると、作業を進めるために必要な重要な情報にすばやくアクセスできます。この機能は、必要な情報を簡単に見つけるのに役立ちます。ユーザーがチームメイトに尋ねるような質問を理解し、即座に回答します。Atlassian Intelligence を使用して Confluence で回答を検索する方法の詳細を見る

Atlassian Intelligence を使用して Confluence で回答を検索するのは、詳細で完全かつ最新のコンテンツが Confluence サイトに大量に記載されている場合に最適だと私たちは考えています。

この機能は新しいコンテンツを生成するのではなく、(制限を守りながら) Confluence のページやブログを検索し、質問への回答を見つけます。Atlassian Intelligence は、Confluence の内容(具体的にはユーザーがアクセス権を持っている情報)のみに基づいて回答を生成します。

どのような質問をすればいいのかわからない場合

下記はその例です。

  • When is the next marketing team offsite? (マーケティング チームが次にオフサイトになるのはいつですか?)
  • What is the work from home policy? (在宅勤務ポリシーとは何ですか?)
  • What is Project Sunrise? (プロジェクト サンライズとは何ですか?)
  • When is our next marketing campaign? (次のマーケティング キャンペーンはいつですか?)
  • Where are the release notes for SpaceLaunch’s newest product? (SpaceLaunch の最新製品のリリース ノートはどこにありますか?)
  • How do I submit expenses for reimbursement? (経費精算を提出するにはどうすればいいですか?)
Atlassian Intelligence を使用して Confluence で回答を検索する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して Confluence で回答を検索するために使用されるモデルの仕組み上、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることにご注意ください。

たとえば、受け取った回答に質問の内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した Confluence での回答の検索は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • 頻繁に変更される傾向がある情報(たとえば、毎月更新されるロードマップ)について、最新かつ正確な情報が必要である。
  • 特定の人々と、その人が組織で果たしている役割について、最新かつ正確な情報が必要である。
  • 質問に正しく回答するためには、自分が利用できない情報へのアクセス権が必要である(Confluence インスタンスのページが制限されているなど)。
  • 回答が、さまざまな値やカテゴリ(たとえば、毎週更新される指標)で構成されている。
  • ニュアンス、複雑さ、または人間レベルの推論を必要とする答えが必要である。

また、複数の言語で書かれたドキュメントがある Confluence スペースでは、Atlassian Intelligence を使用して Confluence で回答を検索しても、期待どおりに機能しないことがあります。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence に質問する内容をできるだけ具体的にする。
  • Confluence インスタンスに文書化されていることを把握しており、かつアクセス権を有していることについて質問する。
Atlassian Intelligence を使用して Confluence で回答を検索する際のお客様のデータの取り扱いについて Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して Confluence で回答を検索する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • Confluence 検索から返された上位 3 ページのコンテンツなど、プロンプトに関連するインスタンスからのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用して Confluence で回答を検索する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • どの LLM プロバイダーにも保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能はインスタンスの権限に従います。たとえば、特定の Confluence ページにアクセスできない場合、受信する回答にそのページのコンテンツが使用されることはありません。ご自身のコンテンツがインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。

Jira で課題を検索する

Atlassian Intelligence を使用して Jira で課題を検索する方法 Copy link to heading Copied! 表示
  

Jira における Atlassian Intelligence を使用した課題の検索は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して自然言語を分析および理解し、それを Atlassian Analytics 内で JQL(Jira クエリ言語)に変換します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

Jira の課題検索のユース ケース Copy link to heading Copied! 表示
  

複雑なクエリを作成するのではなく、日常の言葉で何をしたいかを Atlassian Intelligence に質問できるようになりました。Atlassian Intelligence を使用して課題を検索すると、プロンプトが JQL クエリに変換され、特定の課題をすばやく検索できます。

アトラシアンでは、Atlassian Intelligence を使用した課題の検索は、次のような場合に最も効果的だと考えています。

  • Jira プロジェクトで使用可能な課題フィールドを使用して Jira の課題をクエリしている。
  • クエリには、課題検索を絞り込むのに役立つ特定のフィールドと値が含まれている。
  • 検索対象のフィールドと値が Jira プロジェクトに存在している。
  • 英語でクエリを実行している。
  • クエリは JQL に翻訳可能である。Atlassian Intelligence はプロンプトを JQL コードに変換するので、入力に JQL に変換できるキーワードが含まれる場合、より良い結果が得られます。
Atlassian Intelligence を使用して課題を検索する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して課題を検索するために使用されるモデルの仕組み上、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることにご注意ください。

たとえば、質問の内容が受け取った回答に正確に反映されていなかったり、一見筋が通っているようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した課題の検索は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • プロジェクト、ボード、ユーザーなど、課題以外の Jira エンティティを検索している。
  • 英語以外の言語で検索している。
  • データのグラフ、要約、またはその他の表示を作成するために課題を検索して分析したいと考えている。
  • 現在 JQL で提供されていない機能が検索に必要である(たとえば、「自分がコメントした課題を検索する」などの質問は JQL の機能に変換できない)。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

また、Atlassian Intelligence に質問する内容はできる限り具体的にしてください。検索するフィールドや値を正確に含めます。

Atlassian Intelligence を使用して課題を検索する際のお客様のデータの取り扱いについて Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用して課題を検索する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • 現在取り組んでいるプロジェクトなど、プロンプトに関連するインスタンスからのコンテキスト。
  • クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用して課題を検索する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • どの LLM プロバイダーにも保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
    • 当社のデータベースに 90 日間保存され、プロンプトは検索履歴の一部として提示されます。

  • サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • 検索結果は、アクセスできる課題とフィールドに基づく(たとえば、特定の Jira プロジェクトにアクセスできない場合、そのプロジェクトの課題とフィールドは検索結果に表示されない)。

AI による作業分解

AI Work Breakdown による Atlassian Intelligence の活用方法 Copy link to heading Copied! 表示
  

AI Work Breakdown は、OpenAI によって開発された大規模な言語モデルを利用しています。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析/生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチに関する詳細は、OpenAI の研究論文をご参照ください。

AI Work Breakdown について Copy link to heading Copied! 表示
  

AI Work Breakdown は、お客様が作成した Jira 課題に基づいて子課題を提案するため、大規模な作業をより小さなタスクに分割するのに便利です。課題をコンテキストとして使用し、子課題の要約と説明の提案を生成します。

AI Work Breakdown は、次のようなシナリオで最適に機能します。

  • 最初に取り組む課題が、制約、指示、完了の定義など、詳細な要約と説明を持っている場合
  • 最初に取り組む課題が、既存の子課題を持たない場合
AI Work Breakdown を使用する際の制限と考慮事項 Copy link to heading Copied! 表示
  

AI Work Breakdown を機能させるために使用されているモデルは、その構造上、不正確、不完全、または信頼できない動作をする可能性があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

AI Work Breakdown は、次のようなシナリオではあまり効果的でないことが判明しています。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • 最初に取り組む課題に、詳細な課題の要約と説明がない (たとえば、非常に短く不明瞭な説明を含む課題に基づいて子課題の提案を生成しようとしている場合)

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence に質問する内容をできるだけ具体的にする。
  • 最初に取り組む課題の要約と説明には、できるだけ多くの情報を提供する。
お客様のデータと AI Work Breakdown Copy link to heading Copied! 表示
  

お客様のデータが AI Work Breakdown でどのように使用されるか、疑問をお持ちのことでしょう。このセクションでは、アトラシアンの Trust Center で入手できる情報を補足します。

処理されるデータの種類は以下のとおりです。

  • お客様のプロンプト (入力) と回答 (出力)。
  • プロンプトに関連するインスタンスからのコンテキスト (要約、説明、コメントなどの課題データを含む)。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

AI Work Breakdown は、お客様のデータに対して次の指標を適用します。

  • プロンプト (入力) と回答 (出力) について
    • 他のお客様は利用できません
    • OpenAI 以外のサードパーティの LLM プロバイダには送信されません
    • OpenAI によって保存されません
    • OpenAI モデルの改善には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、アトラシアンの副処理者のリストに含まれる副処理者です。副処理者がリクエストを処理するための目的以外で、お客様の入力と出力を使用することはありません。
  • この機能は、ご利用のインスタンスの権限に従います (子課題の提案を生成するには、ご自身がその課題へのアクセス権を持っている必要があります)。ご自身のコンテンツを他のユーザーが生成した回答に使用されないようにするには、組織管理者にご連絡のうえ、権限が適切に設定されていることをご確認ください。
ナレッジ ベースの「提案されたトピック」に Atlassian Intelligence がどのように使用されるか Copy link to heading Copied! 表示
  

ナレッジ ベースの「提案されたトピック」は、OpenAI と Anthropic によって開発された大規模言語モデル、および Transformer をベースにしたオープン ソースの言語モデルとその他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデルと Anthropic の Claude シリーズのモデルが含まれます。

Atlassian Intelligence はこれらのモデルを使用して、製品内で自然言語を分析/生成します。オープン ソースのエンコーダー モデルは、テキスト形式の入力を数値形式 (埋め込み) に変換し、その結果が、入力に含まれるトピックの識別と形成に利用されます。

これらの大規模言語モデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルと、Anthropic のモデルの機能に関する詳細をご確認ください。オープン ソースの言語モデルの詳細については、Multi-QA-miniLME5-Multilingual の情報をご覧ください。

ナレッジ ベースの「提案されたトピック」のユースケース Copy link to heading Copied! 表示
  

この機能は、管理者とエージェントが、プロジェクトで受け取ったサービス リクエストを分析し、ナレッジ ベースのギャップを理解するのに役立ちます。この機能を使用すると、ヘルプ依頼者がリクエストを登録しているが既存のナレッジが存在しないトピックを、過去 30 日間のデータに基づいて明確に把握できます。トピックの提案により、プロジェクト管理者とエージェントは、ナレッジによってどれだけのリクエストを回避できるか、少なくとも解決できるかを可視化できます。

ナレッジ記事の数を増やすことは、仮想サービス エージェントの AI による回答など、Jira Service Management の他の機能のパフォーマンスに影響するとアトラシアンは考えています。管理者またはエージェントが、提案されたトピックに関する記事を作成することは、AI による回答を使用した場合のリクエスト解決率を向上させるのにも役立ちます。

アトラシアンでは、提案されたトピックは次のようなシナリオで最も効果的だと考えています。

  • 30 日間で少なくとも 40~100 件のリクエストが登録されている。
  • 要約、説明、フィールド値など、リクエスト内容の言語は主に英語である。提案されるトピックの質は、言語によって異なる可能性があります。
ナレッジ ベースの「提案されたトピック」を使用する際の考慮事項 Copy link to heading Copied! 表示
  

ナレッジ ベースの「提案されたトピック」のために使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

ナレッジ ベースの「提案されたトピック」は、次のようなシナリオではあまり効果的でないことが判明しています。

  • トピックを必要としているプロジェクトで受け取るリクエストが 1 か月あたり 40 件未満である。
  • ナレッジ ベース記事は必ずしも必要ではないため、プロジェクトではアラートから自動でリクエストを作成している。
  • トピックを必要としているリクエストの要約、説明、フィールド値などの言語が英語以外である。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • 記事を作成する前に、提案されたトピックを確認するようチーム メンバーに依頼する。
  • 質の高いナレッジ ベース記事を作成できる専門家をチーム内で見つけるようプロジェクト管理者に依頼する。
お客様のデータとナレッジ ベースの「提案されたトピック」 Copy link to heading Copied! 表示
  

提案されたトピックでお客様のデータがどのように使用されるかについて、ご不明な点があると思います。このセクションは、当社の Trust Center で入手できる情報を補足するものです。

処理されるデータの種類は以下のとおりです。

  • リクエスト内のデータ (トピックを識別するためのフィールド値、概要、説明) など、機能に関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データについては、ナレッジ ベースの「提案されたトピック」では次の指標が適用されます。

ナレッジ ベースの「提案されたトピック」:

  • 他のお客様は利用できません
  • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません
  • どの LLM プロバイダーにも保管されません
  • サードパーティの LLM の改善に使用されることはありません
  • ご自身のエクスペリエンスのためにのみ利用されます。
  • OpenAI は、副処理者のリストに含まれる副処理者です。これらのプロバイダーがリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • アトラシアンは、サイトのサービス プロジェクトの関係者全員がアクセスできるリクエストのみを処理します。課題レベルの権限で行われたリクエストは、トピックの提案には利用されません。
  • 当社は提案されたトピックの一覧を 7 日ごとに更新し、提案を最新の状態にしています。

データから即座にインサイトを収集

以下の Atlassian Intelligence の機能を選択すると、ユース ケースとデータの使用について把握することができます。

チャート インサイト

チャート インサイトでの Atlassian Intelligence の使用方法 Copy link to heading Copied! 表示
  

chart insights は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

チャート インサイトのユース ケース Copy link to heading Copied! 表示
  

チャート インサイトでは、Atlassian Intelligence を使用して、Atlassian Analytics のあらゆるグラフのデータを簡単に理解できるようにします。そのために、ダッシュボードのタイトル、グラフのタイトル、グラフのデータ (列ヘッダーと行の値を含む) を使用して、グラフとそのデータの自然言語による要約を生成します。また、傾向や異常を特定して、そのグラフに特定のインサイトを提供することも目的としています。

アトラシアンでは、チャート インサイトは次のようなシナリオで最も効果的だと考えています。

  • グラフのデータ行が多い。
  • グラフにダッシュボードのタイトルがある。
  • グラフに列ヘッダーがある。
  • グラフのすべての行と列に値がある。

棒グラフ、折れ線グラフ、および棒線グラフは通常、傾向、日付、その他多数のデータ行が含まれているため、この機能が最も適しています。

チャート インサイトを使用する際の考慮事項 Copy link to heading Copied! 表示
  

チャート インサイト強化のために使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

チャート インサイトは、次のようなシナリオではあまり効果的でないことが判明しています。

  • グラフのデータ行が 1 行またはわずか数行。
  • グラフが単一値タイプ。
  • グラフにタイトル、軸ラベル、列ヘッダーがない。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • グラフに表示されている特定のデータについて、詳細情報を持っている可能性のある他のユーザーに、インサイトの正確性を再確認します。
  • Atlassian Intelligence は、回答時にダッシュボード全体ではなく、単一のグラフのコンテキストのみを使用することを念頭に置いてください。
各自のデータとチャート インサイト Copy link to heading Copied! 表示
  

チャート インサイトのデータの扱いについて、さまざまな疑問が生じることでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • グラフ内のデータなど、プロンプトに関連するインスタンスのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データについては、チャート インサイトでは次の指標が適用されます。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • どの LLM プロバイダーにも保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能では、お客様がアクセスでき、インサイトを要求したダッシュボードからの情報のみが使用されます。

Jira Service Management でリクエスト・タイプを提案する

Jira Service Management での Atlassian Intelligence を使用したリクエスト・タイプの提案方法 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用したリクエスト タイプの提案は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して自然言語入力を分析し、Jira Service Management 内でリクエスト・タイプの名前と説明に関する推奨事項を生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルGoogle のモデルAnthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズPhi シリーズでご確認ください。

Jira Service Management でのリクエスト タイプ提案のユースケース Copy link to heading Copied! 表示
  

Atlassian Intelligence からの候補を表示することで、プロジェクト用にどのようなリクエスト・タイプを作成する必要があるかを考える時間を削減できます。自分の作業とチームが通常管理しているものを簡単に説明するだけで、どのようなタイプのリクエストを作成できるかがわかります。Atlassian Intelligence によって生成された提案の 1 つを選択して、リクエスト・タイプを作成します。Atlassian Intelligence を使用してリクエスト・タイプを提案する方法の詳細をご覧ください

アトラシアンでは、Atlassian Intelligence を使用したリクエスト・タイプの提案は、次のようなシナリオで最も効果的だと考えています。

  • 既存のリクエスト・タイプのテンプレートでは対応できない、非常に特殊なユース・ケースがある。
  • 非常に大まかな要件があり、いくつかのアイデアを探している。
  • 広く話されている言語(英語やスペイン語など)を使用している。
Atlassian Intelligence を使用してリクエスト・タイプを提案する際の考慮事項 Copy link to heading Copied! 表示
  

Atlassian Intelligence を使用してリクエスト・タイプを提案するために使用されるモデルの動作方法により、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることに留意することが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用したリクエスト・タイプの提案は、次のようなシナリオではあまり効果的でないことが判明しました。

  • 人、場所、事実に関する最新かつ正確な情報が必要である。
  • この機能が、リクエストに正しく回答するためにアクセスする必要のある情報がすぐに利用できない場合(インスタンスに含まれていない場合など)。
  • あいまいすぎるか、サービス管理とは無関係なプロンプトを提供している。
  • 広く話されている言語を使っていない。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

  • Atlassian Intelligence に質問する内容をできるだけ具体的にする。
Atlassian Intelligence を使用してリクエスト・タイプを提案する際のお客様のデータの取り扱いについて Copy link to heading Copied! 表示
  

リクエストタイプの提案に Atlassian Intelligence を使用する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

  • お客様のプロンプト (入力) と回答 (出力)。
  • プロンプトに関連するインスタンスからのコンテキスト。
  • クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
  • お客様が提供することを選択した、この機能についてのフィードバック(フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

Atlassian Intelligence を使用してリクエスト・タイプを提案する際には、お客様のデータについて次のような対策が適用されます。

  • プロンプト(入力)と回答(出力):
    • 他のお客様は利用できません
    • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません

    • どの LLM プロバイダーにも保管されません
    • LLM モデルの改良には利用されません
    • ご自身のエクスペリエンスのためにのみ利用されます。
  • サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
  • この機能にはプロンプトの情報のみが使用されるため、Jira のすべての権限が尊重されます。

参考文献

専用のステータス ページで、アトラシアン製品に関するリアルタイムのステータスの更新をご確認いただけます。

Atlassian Intelligence について詳しく知る

アトラシアンによる顧客データの管理方法を把握できます。

Atlassian Rovo の詳細を見る