투명성을 위해 설계된 Atlassian Intelligence 및 Rovo

Atlassian Intelligence에서 사용하는 PIR(인시던트 발생 후 검토) 만들기는 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 대형 언어 모델에는 OpenAI의 GPT 시리즈 모델이 포함됩니다. Atlassian Intelligence는 이 모델을 사용하여 Atlassian 제품 내에서 자연어를 분석하고 생성합니다.

이 모델은 사용자의 입력 내용에 따라 응답을 생성하며 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다.

OpenAI의 연구 논문에서 OpenAI 모델의 기능에 대해 또는 이 접근 방식에 대해 자세히 알아보세요.

PIR은 인시던트 관리 프로세스의 핵심 부분으로 인시던트 대응자 및 매니저가 현재 인시던트를 통해 배우고 향후 유사한 인시던트를 예방하기 위한 인사이트를 전달하는 데 도움을 줍니다. Atlassian Intelligence를 사용하면 Jira Service Management 인스턴스 및 Slack과 같은 채팅 도구에 있는 관련 컨텍스트 정보를 기반으로 PIR 설명을 제시하여 시간이 오래 걸리는 경우가 많은 PIR 취합 작업을 더 신속하게 처리할 수 있습니다.

AI로 PIR 만들기는 다음과 같은 시나리오에 가장 도움이 될 수 있습니다.

• 조직에 인시던트에 대한 PIR을 취합하는 일관된 관행이 있습니다.

• 팀에서 사용하는 Slack 및 Jira Service Management와 같은 채팅 도구에 인시던트 세부 정보가 분산되어 있어 해당 소스에서 PIR을 취합하는 데 더 많은 시간을 할애해야 합니다.

• 조직에서 Jira Service Management에 완전한 최신 정보로 인시던트를 기록합니다.

PIR 만들기 업무에 사용되는 모델의 작동 방식으로 인해 모델이 때로는 부정확하거나 불완전하거나 신뢰할 수 없는 방식으로 작동할 수 있다는 점을 기억해야 합니다. 예를 들어 사용자가 받은 응답이 응답의 근거가 된 내용을 정확히 반영하지 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다.

다음과 같은 시나리오에서는 AI로 PIR 만들기기 덜 유용하다는 것이 밝혀졌습니다.

• 사용자, 장소 및 사실에 대한 정확한 최신 정보가 필요합니다.
• PIR 설명을 적절하게 만들기 위해 바로 이용할 수 없는 정보(예: 액세스할 수 없는 채팅 채널)에 액세스하려면 PIR을 만들어야 합니다.
• Jira Service Management 인스턴스에서 사용할 수 있는 데이터가 불완전하거나 세부 정보가 충분하지 않아 PIR을 만들어도 정확한 설명을 제공하지 못할 수 있습니다.

따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 다른 사용자와 공유하기 전에 받은 응답의 품질을 검토해 보는 것이 좋습니다.

다음에 대해서도 생각해 보는 것이 좋습니다.

• Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명합니다.
• 사용자 및 팀이 인시던트 관리 관행을 일관되게 따르도록 보장합니다. 예를 들어 Jira Service Management 인스턴스에서 인시던트의 완전하고 정확한 세부 정보를 기록하고 관련 채팅 채널을 인시던트에 연결합니다.

AI를 사용하여 인시던트 발생 후 검토 만들기가 사용자 데이터를 사용하는 방법에 대해 궁금한 점이 있을 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다.

Atlassian에서는 다음을 처리합니다.

• 프롬프트(입력) 및 응답(출력).
• 인시던트 데이터(요약, 레이블, 우선 순위, 대응자 팀 및 설명), 연결된 알림 및 연결된 Slack 채팅 채널과 같이 프롬프트와 관련된 인스턴스의 컨텍스트입니다.
• 클릭스트림 데이터 및 협업하는 사용자와 같이 사용자가 Atlassian의 기능과 어떻게 상호 작용하는지에 대한 데이터입니다.

• 피드백의 일부로 공유하기로 선택한 프롬프트 또는 응답을 포함하여 이 기능에 대해 제공하기로 선택한 피드백.

사용자 데이터에 대해 AI를 사용하여 PIR 만들기는 다음과 같은 조치를 적용합니다.

• 프롬프트(입력) 및 응답(출력):

  • 다른 고객이 사용할 수 없습니다.

  • OpenAI 외의 다른 타사 LLM 공급자에게 보내지 않습니다.

  • OpenAI에서 저장하지 않습니다.

  • OpenAI 모델을 개선하는 데 사용되지 않습니다.

  • 사용자 경험을 제공하기 위한 목적으로만 사용됩니다.

• 모든 타사 LLM 공급자는 서브 프로세서이고 Atlassian의 서브 프로세서 페이지에서 확인할 수 있습니다.

• 이 기능은 인스턴스의 권한을 따릅니다. 예를 들어 인시던트의 연결된 알림 또는 연결된 Slack 채널에 대한 액세스 권한이 없는 경우 받는 응답에 해당 소스의 콘텐츠가 제안되지 않습니다. 인스턴스의 다른 사용자가 해당 콘텐츠를 사용할 수 없도록 하려면 조직 관리자에게 문의하여 권한이 적절하게 설정되었는지 확인하세요.

Atlassian Intelligence를 활용한 풀리퀘스트 설명 생성은 OpenAI, Google 및 Anthropic에서 Open Source 대형 언어 모델(Llama 시리즈, Phi 시리즈 및 Mixtral 시리즈 포함) 및 다른 머신러닝 모델을 함께 사용하여 개발한 대형 언어 모델을 기반으로 합니다. 이 대형 언어 모델에는 OpenAI의 GPT 시리즈 모델, Google의 Gemini 시리즈 모델 및 Anthropic의 Claude 시리즈 모델이 포함됩니다.

Atlassian Intelligence는 이 모델을 사용하여 Atlassian 제품 내에서 자연어 및 코드를 분석하고 생성합니다.

이 모델은 사용자의 입력 내용에 따라 응답을 생성하며 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다.

OpenAI 모델, Google 모델 및 Anthropic 모델의 기능에 대해 자세히 읽어보세요. Open Source 언어 모델에 대한 자세한 내용은 Llama 시리즈 및 Phi 시리즈의 정보를 확인하세요.

Atlassian Intelligence를 사용하면 Bitbucket Cloud 코드 검토 환경에서 풀리퀘스트 설명 또는 댓글을 작성할 때 콘텐츠를 생성, 변환, 요약할 수 있습니다. 여기에는 다음이 포함됩니다.

• 풀리퀘스트에 포함된 코드 변경을 기반으로 풀리퀘스트 설명 생성.
• 풀리퀘스트 설명 요약, 개선 또는 어조 변경.
• 풀리퀘스트 댓글 요약, 개선 또는 어조 변경.

Atlassian Intelligence로 Bitbucket Cloud 풀리퀘스트 설명을 생성하는 것은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.

• 코드 작성자가 Atlassian Intelligence의 도움을 받아 풀리퀘스트 설명을 작성하거나 개선하고 싶은 경우. Atlassian Intelligence에서 생성한 콘텐츠가 풀리퀘스트를 설명하기에 적절한지 검토 및 확인할 수 있는 팀에 적합합니다.
• 코드 검토자가 Atlassian Intelligence의 도움을 받아 이미 초안을 작성한 풀리퀘스트 댓글의 어조 또는 내용을 개선하고 싶은 경우.

이 기능의 기반이 되는 모델의 작동 방식으로 인해, 모델이 때로는 부정확하거나 불완전하거나 신뢰할 수 없는 방식으로 작동할 수 있다는 점을 기억해야 합니다.

예를 들어, 사용자가 받은 응답이 응답의 근거가 된 내용을 정확히 반영하지 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다.

Atlassian은 다음과 같은 시나리오에서 Atlassian Intelligence로 Bitbucket Cloud 풀리퀘스트 설명을 생성할 때 효과가 떨어진다는 사실을 알게 되었습니다.

• 코드 변경 사항에 아직 없는 정보(예: 리포지토리의 다른 곳에 있는 소스 코드)를 참조하기 위해 풀리퀘스트 설명이 필요한 경우.
• Atlassian Intelligence에서 생성한 콘텐츠가 풀리퀘스트를 정확하게 반영하는지 검토 및 확인할 수 없는 경우.
• 사용자, 장소 및 사실에 대한 정확한 최신 정보가 필요합니다.

따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다.

다음에 대해서도 생각해 보는 것이 좋습니다.

• Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명.
• 정확성과 명확성을 위해 AI 작성 어시스턴트가 생성한 산출물을 교정, 검토 및 편집하세요.
• 다른 팀원과 협업하여 피드백을 수집하고 산출물의 품질을 개선하세요.

Confluence에서 Atlassian Intelligence를 사용하여 용어를 정의하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다.

Atlassian에서는 다음을 처리합니다.

• 프롬프트(입력) 및 응답(출력)
• 다음과 같은 프롬프트와 관련된 인스턴스의 컨텍스트:
  • 풀리퀘스트의 코드 변경 및 커밋 메시지
  • 풀리퀘스트 설명의 내용
  • 풀리퀘스트 댓글의 내용
• 클릭스트림 데이터 및 협업하는 사용자와 같이 사용자가 Atlassian의 기능과 어떻게 상호 작용하는지에 대한 데이터
• 이 기능에 대해 제공하기로 선택한 피드백

데이터의 경우 Atlassian Intelligence로 풀리퀘스트 설명을 생성하는 데는 다음 조치가 적용됩니다.

• 프롬프트(입력) 및 응답(출력):
  • 다른 고객이 사용할 수 없습니다.

  • OpenAI, Google 또는 AWS Bedrock의 Anthropic 이외의 어떠한 타사 LLM 공급자에게도 보내지 않습니다.

  • 어떠한 LLM 공급자도 저장하지 않습니다.
  • LLM 모델을 개선하는 데 사용하지 않습니다.
  • 사용자 경험을 제공하기 위한 목적으로만 사용됩니다.
• 모든 타사 LLM 공급자는 서브 프로세서이고 Atlassian의 서브 프로세서 페이지에서 확인할 수 있습니다.

Atlassian Analytics에서 Atlassian Intelligence를 사용하는 SQL 쿼리 생성은 OpenAI, Google 및 Anthropic에서 Open Source 대형 언어 모델(Llama 시리즈, Phi 시리즈 및 Mixtral 시리즈 포함) 및 다른 머신러닝 모델을 함께 사용하여 개발한 대형 언어 모델을 기반으로 합니다. 이 대형 언어 모델에는 OpenAI의 GPT 시리즈 모델, Google의 Gemini 시리즈 모델 및 Anthropic의 Claude 시리즈 모델이 포함됩니다.

Atlassian Intelligence는 이 모델을 사용하여 자연어를 분석하고 이해한 다음 Atlassian Analytics에서 구조화된 쿼리 언어(SQL)로 변환합니다.

이 모델은 사용자의 입력 내용에 따라 응답을 생성하며 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다.

OpenAI 모델, Google 모델 및 Anthropic 모델의 기능에 대해 자세히 읽어보세요. Open Source 언어 모델에 대한 자세한 내용은 Llama 시리즈 및 Phi 시리즈의 정보를 확인하세요.

SQL 쿼리를 처음부터 직접 작성하는 대신 Atlassian Intelligence에 자연어로 질문하고 SQL로 변환하도록 하세요. 사용자가 질문하면 Atlassian Intelligence는 선택한 데이터 소스의 Atlassian Data Lake 스키마를 사용하여 Atlassian Analytics 대시보드에 차트를 만드는 데 사용할 수 있는 SQL 쿼리를 생성하며 Data Lake의 스키마에 대해 알아보는 데 도움이 될 수 있습니다.

Atlassian Intelligence를 사용하여 SQL 쿼리를 생성하는 것은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.

• 생성된 SQL로 시작하고 필요한 경우 쿼리를 구체화하여 사용자 지정 차트를 만들고 싶은 경우
• 자연어 질문에 Atlassian Data Lake 스키마에서 참조되는 단어 및 개념이 포함된 경우(최대한 구체적으로 설명).
• Atlassian Data Lake 스키마를 살펴보고 알아보고 싶은 경우.

Atlassian Intelligence를 사용하여 SQL 쿼리를 생성하는 데 사용되는 모델의 작동 방식으로 인해, 모델이 때로는 부정확하거나 불완전하거나 신뢰할 수 없는 방식으로 작동할 수 있다는 점을 기억해야 합니다.

예를 들어, 사용자가 받은 응답이 응답의 근거가 된 내용을 정확히 반영하지 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다.

Atlassian Intelligence를 사용하여 SQL 쿼리를 생성하는 것은 다음과 같은 시나리오에서는 덜 효과적이라는 것을 발견했습니다.

• 사용자, 장소 및 사실에 대한 정확한 최신 정보가 필요합니다.
• 질문에 적절하게 응답하기 위해 이 기능이 Atlassian Data Lake 스키마에서 바로 이용 가능하지 않은 정보(예: 고급 계획용 데이터)에 액세스할 수 있어야 하는 경우.
• 질문에 사용자 지정 필드에 대한 참조가 포함되어 있는 경우.
• 영어가 아닌 다른 언어로 질문하는 경우.
• Atlassian Intelligence에서 반환한 SQL의 유효성을 검사하기에는 SQL에 대한 지식이 충분하지 않은 경우.

따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다.

다음에 대해서도 생각해 보는 것이 좋습니다.

• Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명.
• 사용 중인 Atlassian Data Lake 데이터 소스가 질문에 답하는 데 필요한 데이터를 다루는지 확인하세요.

Atlassian Intelligence를 사용하여 SQL 쿼리를 생성하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다.

Atlassian에서는 다음을 처리합니다.

• 프롬프트(입력) 및 응답(출력).
• 인스턴스에 적용할 수 있는 공개적으로 사용 가능한 Atlassian Data Lake 스키마를 포함하여 프롬프트와 관련된 인스턴스의 컨텍스트.
• 클릭스트림 데이터 및 협업하는 사용자와 같이 사용자가 Atlassian의 기능과 어떻게 상호 작용하는지에 대한 데이터입니다.
• 피드백의 일부로 공유하기로 선택한 프롬프트 또는 응답을 포함하여 이 기능에 대해 제공하기로 선택한 피드백.

데이터의 경우 Atlassian Intelligence를 사용하여 SQL 쿼리를 생성하는 데는 다음 조치가 적용됩니다.

• 프롬프트(입력) 및 응답(출력):
  • 다른 고객이 사용할 수 없습니다.

  • OpenAI, Google 또는 AWS Bedrock의 Anthropic 이외의 어떠한 타사 LLM 공급자에게도 보내지 않습니다.

  • 어떠한 LLM 공급자도 저장하지 않습니다.
  • LLM 모델을 개선하는 데 사용하지 않습니다.
  • 사용자 경험을 제공하기 위한 목적으로만 사용됩니다.
• 모든 타사 LLM 공급자는 Atlassian의 서브 프로세서 페이지에서 확인할 수 있습니다. 사용자의 요청을 처리하는 것 외에는 어떤 목적으로도 사용자의 입력 및 출력을 사용하지 않습니다.
• 이 기능은 Atlassian Data Lake 연결의 권한을 따릅니다. 예를 들어, Atlassian Data Lake 연결에 대한 액세스 권한이 없으면 SQL을 빌드하여 쿼리할 수 없습니다.

Atlassian Intelligence를 사용하는 Confluence의 답변 검색은 OpenAI, Google 및 Anthropic에서 Open Source 대형 언어 모델(Llama 시리즈, Phi 시리즈 및 Mixtral 시리즈 포함) 및 다른 머신러닝 모델을 함께 사용하여 개발한 대형 언어 모델을 기반으로 합니다. 이 대형 언어 모델에는 OpenAI의 GPT 시리즈 모델, Google의 Gemini 시리즈 모델 및 Anthropic의 Claude 시리즈 모델이 포함됩니다.

Atlassian Intelligence는 이 모델을 사용하여 Atlassian 제품 내에서 자연어를 분석하고 생성합니다.

이 모델은 사용자의 입력 내용에 따라 응답을 생성하며 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다.

OpenAI 모델, Google 모델 및 Anthropic 모델의 기능에 대해 자세히 읽어보세요. Open Source 언어 모델에 대한 자세한 내용은 Llama 시리즈 및 Phi 시리즈의 정보를 확인하세요.

기술 자료는 사용자가 따라잡을 수 없을 정도로 빠르게 성장하고 있습니다. Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하면 고객이 작업을 진행하는 데 필요한 주요 정보를 더 빠르게 찾을 수 있습니다. 이 기능을 사용하면 필요한 정보를 손쉽게 찾을 수 있습니다. 팀원에게 물어볼 만한 질문의 유형을 이해하고 즉시 대답합니다. Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하는 방법에 대해 자세히 알아보세요.

Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하는 기능은 Confluence 사이트가 상세하고 완전하며 최신 콘텐츠로 가득할 때 가장 잘 작동한다고 생각합니다.

이 기능은 새 콘텐츠를 생성하지 않지만 Confluence 페이지와 블로그를 검색하여 (제한 사항을 준수하면서) 질문에 대한 답변을 찾아줍니다. Atlassian Intelligence는 Confluence에 있는 내용, 특히 사용자가 액세스할 수 있는 내용만을 기반으로 답변을 생성합니다.

Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하는 데 사용되는 모델의 작동 방식으로 인해, 모델이 때로는 부정확하거나 불완전하거나 신뢰할 수 없는 방식으로 작동할 수 있다는 점을 기억해야 합니다.

예를 들어, 사용자가 받은 응답이 응답의 근거가 된 내용을 정확히 반영하지 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다.

Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하는 것은 다음과 같은 시나리오에서는 덜 유용하다는 것을 발견했습니다.

• 사용자, 장소 및 사실에 대한 정확한 최신 정보가 필요합니다.
• 자주 변경되는 정보(예: 매달 업데이트되는 로드맵)에 대한 정확한 최신 정보가 필요한 경우.
• 특정 팀원 및 해당 팀원이 조직에서 수행하는 역할에 대한 정확한 최신 정보가 필요한 경우.
• 질문에 적절하게 응답하기 위해 바로 이용 가능하지 않은 정보(예: Confluence 인스턴스의 제한된 페이지)에 액세스할 수 있어야 하는 경우.
• 답변이 다양한 값 또는 범주(예: 매주 업데이트되는 메트릭)로 구성되어 있는 경우.
• 미묘한 차이, 복잡성 또는 인간적인 수준의 추론이 요구되는 답변이 필요한 경우.

따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다.

다음에 대해서도 생각해 보는 것이 좋습니다.

• Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명.
• Confluence 인스턴스에 문서화되어 있고 액세스 가능한 것으로 알고 있는 항목에 대해 질문.

Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다.

Atlassian에서는 다음을 처리합니다.

• 프롬프트(입력) 및 응답(출력).
• 프롬프트와 관련된 인스턴스의 컨텍스트(예: Confluence 검색에서 반환된 상위 3개 페이지의 콘텐츠).
• 클릭스트림 데이터 및 협업하는 사용자와 같이 사용자가 Atlassian의 기능과 어떻게 상호 작용하는지에 대한 데이터입니다.
• 피드백의 일부로 공유하기로 선택한 프롬프트 또는 응답을 포함하여 이 기능에 대해 제공하기로 선택한 피드백.

데이터의 경우 Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하는 데는 다음 조치가 적용됩니다.

• 프롬프트(입력) 및 응답(출력):
  • 다른 고객이 사용할 수 없습니다.

  • OpenAI, Google 또는 AWS Bedrock의 Anthropic 이외의 어떠한 타사 LLM 공급자에게도 보내지 않습니다.

  • 어떠한 LLM 공급자도 저장하지 않습니다.
  • LLM 모델을 개선하는 데 사용하지 않습니다.
  • 사용자 경험을 제공하기 위한 목적으로만 사용됩니다.
• 모든 타사 LLM 공급자는 서브 프로세서이고 Atlassian의 서브 프로세서 페이지에서 확인할 수 있습니다. 사용자의 요청을 처리하는 것 외에는 어떤 목적으로도 사용자의 입력값 및 출력값을 사용하지 않습니다.
• 이 기능은 인스턴스의 권한을 따릅니다. 예를 들어, 특정 Confluence 페이지에 대한 액세스 권한이 없는 경우 이 기능은 표시되는 응답에 해당 페이지의 콘텐츠를 사용하지 않습니다. 인스턴스의 다른 사용자에 대한 응답에서 콘텐츠를 사용할 수 없도록 하려면 조직 관리자에게 문의하여 권한이 적절하게 설정되었는지 확인하세요.

Search work items using Atlassian Intelligence in Jira is powered by large language models developed by OpenAI, Google, and Anthropic, as well as a combination of open-source large language models (including the Llama series, Phi series, and Mixtral series) and other machine learning models. These large language models include OpenAI's GPT series of models, Google's Gemini series of models, and Anthropic's Claude series of models.

Atlassian Intelligence는 이 모델을 사용하여 자연어를 분석하고 이해한 다음 Atlassian 제품 내 Jira 쿼리 언어(SQL)로 변환합니다.

이 모델은 사용자의 입력 내용에 따라 응답을 생성하며 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다.

OpenAI 모델, Google 모델 및 Anthropic 모델의 기능에 대해 자세히 읽어보세요. Open Source 언어 모델에 대한 자세한 내용은 Llama 시리즈 및 Phi 시리즈의 정보를 확인하세요.

You can now ask Atlassian Intelligence what you want in everyday language instead of coming up with complex queries. By searching work items using Atlassian Intelligence, your prompt is translated into a JQL query which quickly assists you in your search for specific work items.

We believe searching work items using Atlassian Intelligence works best in scenarios where:

• You're querying for Jira work items using work item fields available in your Jira project.
• The query has specific fields and values that can help narrow down your work item search.
• 찾고 있는 필드 및 값이 Jira 프로젝트에 있는 경우.
• 쿼리가 영어로 된 경우.
• 쿼리를 JQL로 변환할 수 있는 경우. Atlassian Intelligence가 프롬프트를 JQL 코드로 변환하므로 입력에 JQL로 변환할 수 있는 키워드가 포함되면 더 나은 결과를 제공할 수 있습니다.

It's important to remember that because of the way that the models used to search work items using Atlassian Intelligence work, these models can sometimes behave in ways that are inaccurate, incomplete, or unreliable.

예를 들어, 사용자가 받은 응답이 응답의 근거가 된 내용을 정확히 반영하지 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다.

We've found that searching work items using Atlassian Intelligence is less useful in scenarios where:

• 사용자, 장소 및 사실에 대한 정확한 최신 정보가 필요합니다.
• You’re searching for Jira entities that are not work items, such as projects, boards, or users.
• 영어가 아닌 다른 언어로 검색하는 경우.
• You need the search to analyze the work items to create charts, summaries, or other representations of your data.
• The search requires functions not currently available in JQL (for example, a question such as “Find work items I have commented on” that can’t be translated into a JQL function).

따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다.

또한 Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명하는 것이 좋습니다. 찾고 있는 정확한 필드 및 값을 포함하세요.

We understand you may have questions about how searching work items using Atlassian Intelligence uses your data. This section supplements the information available on our FAQ page.

Atlassian에서는 다음을 처리합니다.

• 프롬프트(입력) 및 응답(출력).
• 현재 진행 중인 프로젝트와 같이 프롬프트와 관련된 인스턴스의 컨텍스트.
• 클릭스트림 데이터 및 협업하는 사용자와 같이 사용자가 Atlassian의 기능과 어떻게 상호 작용하는지에 대한 데이터
• 피드백의 일부로 공유하기로 선택한 프롬프트 또는 응답을 포함하여 이 기능에 대해 제공하기로 선택한 피드백.

When it comes to your data, searching work items using Atlassian Intelligence applies the following measures:

• 프롬프트(입력) 및 응답(출력):
  • 다른 고객이 사용할 수 없습니다.

  • OpenAI, Google 또는 AWS Bedrock의 Anthropic 이외의 어떠한 타사 LLM 공급자에게도 보내지 않습니다.

  • 어떠한 LLM 공급자도 저장하지 않습니다.
  • LLM 모델을 개선하는 데 사용하지 않습니다.
  • 사용자 경험을 제공하기 위한 목적으로만 사용됩니다.

  • 90일 동안 Atlassian 데이터베이스에 저장되며, 프롬프트는 검색 기록의 일부로 사용자에게 다시 표시됩니다.

• 모든 타사 LLM 공급자는 서브 프로세서이고 Atlassian의 서브 프로세서 페이지에서 확인할 수 있습니다. 사용자의 요청을 처리하는 것 외에는 어떤 목적으로도 사용자의 입력값 및 출력값을 사용하지 않습니다.
• Your search responses will be based on the work items and fields you have access to (for example, if you don't have access to a specific Jira project, you won't receive search results for work items and fields from that project).

AI 업무 분류는 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다.

Atlassian Intelligence는 이 모델을 사용하여 Atlassian 제품 내에서 자연어를 분석하고 생성합니다.

이 모델은 사용자의 입력 내용에 따라 응답을 생성하며 본질적으로 확률적으로 작동합니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다.

OpenAI의 연구 논문에서 OpenAI 모델의 기능에 대해 또는 이 접근 방식에 대해 읽어보세요.

AI Work Breakdown suggests child work items based on a Jira work item you’ve created, making it easy to break down large pieces of work into smaller ones. Your work item is used as context to generate suggestions for child work item summaries and descriptions.

AI 업무 분류는 다음과 같은 시나리오에서 가장 효과가 좋습니다.

• You start with a work item that has a detailed summary and description, including any constraints, instructions, and definitions of done.
• The starting work item doesn’t have existing child work items.

AI 업무 분류의 기반이 되는 모델의 작동 방식으로 인해 경우에 따라 모델이 부정확하거나 불완전하거나 신뢰할 수 없는 방식으로 작동할 수 있다는 점을 기억해야 합니다.

예를 들어, 사용자가 받은 응답이 응답의 근거가 된 내용을 정확히 반영하지 못하거나 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다.

AI 업무 분류는 다음과 같은 시나리오에서는 덜 유용합니다.

• 사용자, 장소 및 사실에 대한 정확한 최신 정보가 필요한 경우
• You don’t start with a detailed work item summary and description (e.g. if you try to generate child work item suggestions based on a work item with a very short and broad description).

따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다.

다음에 대해서도 생각해 보는 것이 좋습니다.

• Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명합니다.
• Providing as much information as possible in the starting work item summary and description.

AI 업무 분류가 데이터를 어떻게 사용하는지에 대해 궁금한 점이 있을 수 있다는 것을 잘 알고 있습니다. 이 섹션은 Atlassian Trust Center에서 제공하는 정보를 보완합니다.

프로세스하는 사항:

• 프롬프트(입력) 및 응답(출력)
• Context from your instance relevant to your prompt, including work item data (like summary, description, and comments).
• 클릭스트림 데이터 및 협업하는 사용자와 같이 사용자가 Atlassian의 기능과 어떻게 상호 작용하는지에 대한 데이터
• 피드백의 일부로 공유하기로 선택한 프롬프트 또는 응답을 포함하여 이 기능에 대해 제공하기로 선택한 피드백

데이터에 대해 AI 업무 분류는 다음과 같은 조치를 적용합니다.

• 프롬프트(입력) 및 응답(출력):
  • 다른 고객이 사용할 수 없음
  • OpenAI 외의 다른 타사 LLM 공급자에게 보내지 않습니다.
  • OpenAI에서 저장하지 않습니다.
  • OpenAI 모델을 개선하는 데 사용되지 않습니다.
  • 사용자 경험을 제공하기 위한 목적으로만 사용
• OpenAI는 Atlassian의 하위 프로세서 목록에 있는 하위 프로세서입니다. 사용자의 요청을 처리 이외에는 어떤 목적으로도 사용자의 입력 및 산출물을 사용하지 않습니다.
• This feature follows the permissions in your instance (i.e. you must have access to the work item in order to generate child work item suggestions). If you don’t want your content to be available in other users' generated responses, work with your organization admin to ensure your permissions are set appropriately.

Atlassian Intelligence 사용에 대해 자세히 알아보기

기술 자료의 추천 주제는 OpenAI 및 Anthropic에서 개발한 대규모 언어 모델과 오픈 소스 트랜스포머 기반 언어 모델과 기타 머신러닝 모델의 조합으로 구동됩니다. 이 대형 언어 모델에는 OpenAI의 GPT 시리즈 모델과 Anthropic의 Claude 시리즈 모델이 포함됩니다.

Atlassian Intelligence는 이 모델을 사용하여 Atlassian 제품 내에서 자연어를 분석하고 생성합니다. 오픈 소스 인코더 모델은 텍스트 입력을 숫자 형식(포함된 형식)으로 변환하여 입력에서 주제를 식별하고 구성하는 데 사용됩니다.

이 대규모 언어 모델은 사용자의 입력 내용에 따라 응답을 생성하며 본질적으로 확률적으로 작동합니다. 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성한다는 것을 의미합니다.

OpenAI 모델 및 Anthropic 모델의 기능에 대해 자세히 읽어보세요. Open Source 언어 모델에 대한 자세한 내용은 Multi-QA-miniLM 및 E5-Multilingual의 정보를 확인하세요.

관리자 및 에이전트는 이 기능을 통해 프로젝트에서 받은 서비스 요청을 분석하여 기술 자료의 공백을 이해할 수 있습니다. 이 기능은 (지난 30일간의 데이터를 기반으로) 지원이 필요한 사용자가 요청을 제기하지만 기존 기술 자료는 없는 주제를 명확하게 강조합니다. 주제를 제안하여 프로젝트 관리자 및 에이전트에게 얼마나 많은 요청을 디플렉트하거나 최소한 기술 자료를 통해 해결할 수 있을지 가시성을 제공하고자 합니다.

기술 자료 문서 수를 늘리면 가상 서비스 에이전트의 AI 답변과 같은 Jira Service Management의 다른 기능 성능에도 영향을 줄 수 있습니다. 관리자 또는 에이전트가 추천 주제에 대한 문서를 만들면 AI 답변을 사용하여 해결되는 요청의 해결률을 높일 수도 있습니다.

추천 주제는 다음과 같은 시나리오에서 가장 잘 작동합니다.

• 30일 동안 최소 40~100건의 요청이 제기되었습니다.
• 요약, 설명, 필드 값 등 요청 콘텐츠는 주로 영어입니다. 추천 주제의 질은 기타 언어마다 다를 수 있습니다.

기술 자료 업무의 추천 주제를 작동시키는 데 사용되는 모델의 작동 방식으로 인해, 모델이 때로는 부정확하거나 불완전하거나 신뢰할 수 없는 방식으로 작동할 수 있다는 점을 기억해야 합니다.

예를 들어, 사용자가 받은 응답이 응답의 근거가 된 내용을 정확히 반영하지 못하거나 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다.

기술 자료의 추천 주제는 다음과 같은 시나리오에서는 덜 유용합니다.

• 한 달에 40건 미만의 요청을 받는 프로젝트에 대해 주제가 필요한 경우입니다.
• 기술 자료 문서가 필요하지 않은 프로젝트 알림에서 자동으로 요청을 만든 경우입니다.
• 요약, 설명, 필드 값 등이 영어가 아닌 기타 언어로 된 요청의 주제가 필요한 경우입니다.

따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다.

다음에 대해서도 생각해 보는 것이 좋습니다.

• 팀원에게 문서를 만들기 전에 추천 주제를 검토하도록 요청합니다.
• 프로젝트 관리자에게 팀 내 전문가를 식별하여 고품질 기술 자료 문서를 만들도록 요청합니다.

추천 주제가 데이터를 어떻게 사용하는지에 대해 궁금한 점이 있을 수 있다는 것을 잘 알고 있습니다. 이 섹션은 Atlassian Trust Center에서 제공하는 정보를 보완합니다.

프로세스하는 사항:

• 기능과 관련된 인스턴스의 컨텍스트(예: 주제 식별을 위한 필드 값, 요약 및 설명 등 요청의 데이터).
• 클릭스트림 데이터 및 협업하는 사용자와 같이 사용자가 Atlassian의 기능과 어떻게 상호 작용하는지에 대한 데이터
• 피드백의 일부로 공유하기로 선택한 프롬프트 또는 응답을 포함하여 이 기능에 대해 제공하기로 선택한 피드백

데이터에 대해 기술 자료의 추천 주제는 다음과 같은 조치를 적용합니다.

기술 자료의 추천 주제:

• 다른 고객이 사용할 수 없음
• OpenAI, Google 또는 AWS Bedrock의 Anthropic 이외의 어떠한 타사 LLM 공급자에게도 보내지 않습니다.
• 어떠한 LLM 공급자도 저장하지 않습니다.
• 타사 LLM을 개선하는 데 사용되지 않습니다.
• 사용자 경험을 제공하기 위한 목적으로만 사용
• OpenAI는 Atlassian의 하위 프로세서 목록에 있는 하위 프로세서입니다. 사용자의 요청을 처리 이외에는 어떤 목적으로도 사용자의 입력 및 출력을 사용하지 않습니다.
• We only process requests that are accessible to everyone in a service project for your site. Any requests with work item-level permissions are not considered to suggest topics.
• 7일마다 추천 주제 목록을 새로 고쳐 추천 사항이 최신 상태가 되도록 보장합니다.

Atlassian Intelligence 사용에 대해 자세히 알아보기

기술 자료에서 추천 주제에 대해 더 읽어 보세요.

Searching Confluence content using Atlassian Intelligence is powered by large language models developed by OpenAI and Google. These large language models include OpenAI’s GPT series of models and Google’s Gemini series of models.

Atlassian Intelligence uses these models to analyze and generate natural language, then translates it to CQL (Confluence Query Language) code within our products.

이 모델은 사용자의 입력 내용에 따라 응답을 생성하며 본질적으로 확률적으로 작동합니다. 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성한다는 것을 의미합니다.

OpenAI 모델의 기능에 대해 자세히 읽어보세요.

You can now ask Atlassian Intelligence for the content you want to find in Confluence using everyday language instead of coming up with complex queries. With the help of Atlassian Intelligence, your prompt is translated into a CQL query which quickly assists you in your search for specific content.

We believe that Searching Confluence content using Atlassian Intelligence works best in scenarios where:

• You’re querying for Confluence content available within your Confluence knowledge base.
• Your query has specific fields and values that can help narrow down your content search.
• Your query is translatable to CQL. Atlassian Intelligence converts your natural language prompts to CQL queries. So, inputs containing keywords that can be translated to CQL can provide better results.
• You’re searching for content in English.

It’s important to remember that because of the way that the models used to power Searching Confluence content using Atlassian Intelligence work, these models can sometimes behave in ways that are inaccurate, incomplete or unreliable.

예를 들어, 사용자가 받은 응답이 응답의 근거가 된 내용을 정확히 반영하지 못하거나 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다.

We’ve found that Searching Confluence content using Atlassian Intelligence is less useful in scenarios where:

• You need to find content using filters that are not currently supported by CQL.
• 사용자, 장소 및 사실에 대한 정확한 최신 정보가 필요한 경우
• 영어가 아닌 다른 언어로 검색하는 경우.
• You need the search to analyze the content to create charts, summaries, or other representations of your data.

따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다.

You might also want to think about being as specific as possible in what you ask Atlassian Intelligence to do. Make sure to include the exact fields and values that you’re looking for.

We understand you may have questions about how Searching Confluence content using Atlassian Intelligence uses your data. This section supplements the information available on our Trust Center.

프로세스하는 사항:

• 프롬프트(입력) 및 응답(출력)
• Context from your instance relevant to your prompt, such as to filter out search results based on user permissions
• 클릭스트림 데이터와 같은 Atlassian 기능과 상호 작용하는 방법에 대한 데이터.
• 피드백의 일부로 공유하기로 선택한 프롬프트 또는 응답을 포함하여 이 기능에 대해 제공하기로 선택한 피드백

When it comes to your data, Searching Confluence content using Atlassian Intelligence applies the following measures.

• 프롬프트(입력) 및 응답(출력):
  • 다른 고객이 사용할 수 없습니다.
  • OpenAI 또는 Google 이외의 타사 LLM 공급자에게 보내지 않습니다.
  • Are not stored by any LLM provider
  • Are not used to improve any LLM provider.
  • 사용자 경험을 제공하기 위한 목적으로만 사용
• OpenAI and Google Vertex are subprocessors on our List of Subprocessors. They do not use your inputs and outputs for any purpose besides processing your request.
• This feature follows the permissions in your instance. For example, if you do not have access to a Confluence page, you will not be shown content from that page in the response you receive. If you do not want your content to be available to other users in your instance, work with your org admin to ensure your permissions are set appropriately.

Atlassian Intelligence를 사용한 요청 유형 제안은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 대규모 언어 모델에는 OpenAI의 GPT 시리즈 모델이 포함됩니다.

Atlassian Intelligence는 이 모델을 사용하여 Jira Service Management에서 자연어 입력을 분석하고 요청 유형 이름 및 설명에 대한 제안을 생성합니다.

이 모델은 사용자의 입력 내용에 따라 응답을 생성하며 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다.

OpenAI 모델의 기능에 대해 자세히 읽어보세요.

프로젝트에 어떤 요청 유형을 만들어야 하는지 파악하는 데 드는 시간을 줄이고 대신 Atlassian Intelligence에서 제안을 받으세요. 어떤 유형의 요청을 만들 수 있는지 확인하려면 작업을 비롯해 팀에서 일반적으로 관리하는 일을 설명하면 됩니다. 요청 유형을 만들려면 Atlassian Intelligence에서 생성한 제안 중 하나를 선택하세요. Atlassian Intelligence를 사용하여 요청 유형을 제안하는 방법에 대해 자세히 알아보세요.

Atlassian Intelligence를 사용한 요청 유형 제안은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.

• 기존 요청 유형 템플릿이 지원하지 않는 매우 구체적인 사용 사례가 있는 경우.
• 요구 사항이 아주 일반적이며 아이디어를 찾고 있는 경우.
• 널리 사용되는 언어(예: 영어 또는 스페인어)를 사용하는 경우.

Atlassian Intelligence를 사용하여 요청 유형을 제안하는 데 사용되는 모델의 작동 방식으로 인해, 모델이 때로는 부정확하거나 불완전하거나 신뢰할 수 없는 방식으로 작동할 수 있다는 점을 기억해야 합니다.

예를 들어, 사용자가 받은 응답이 응답의 근거가 된 내용을 정확히 반영하지 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다.

Atlassian Intelligence를 사용하여 요청 유형을 제안하는 것은 다음과 같은 시나리오에서는 덜 유용하다는 것을 발견했습니다.

• 사용자, 장소 및 사실에 대한 정확한 최신 정보가 필요한 경우.
• 요청에 적절하게 응답하기 위해 이 기능이 바로 이용 가능하지 않은 정보(예: 인스턴스)에 액세스할 수 있어야 하는 경우.
• 너무 모호하거나 서비스 관리와 관련 없는 프롬프트를 제공하는 경우.
• 널리 사용되는 언어를 사용하지 않는 경우.

따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다.

다음에 대해서도 생각해 보는 것이 좋습니다.

• Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명.

Atlassian Intelligence를 사용하여 요청 유형을 제안하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다.

Atlassian에서는 다음을 처리합니다.

• 프롬프트(입력) 및 응답(출력).
• 프롬프트와 관련된 인스턴스의 컨텍스트.
• 클릭스트림 데이터 및 협업하는 사용자와 같이 사용자가 Atlassian의 기능과 어떻게 상호 작용하는지에 대한 데이터입니다.
• 피드백의 일부로 공유하기로 선택한 프롬프트 또는 응답을 포함하여 이 기능에 대해 제공하기로 선택한 피드백.

데이터의 경우 Atlassian Intelligence를 사용하여 요청 유형을 제안하는 데는 다음 조치가 적용됩니다.

• 프롬프트(입력) 및 응답(출력):
  • 다른 고객이 사용할 수 없습니다.

  • OpenAI 외의 다른 타사 LLM 공급자에게 보내지 않습니다.

  • 어떠한 LLM 공급자도 저장하지 않습니다.
  • LLM 모델을 개선하는 데 사용하지 않습니다.
  • 사용자 경험을 제공하기 위한 목적으로만 사용됩니다.
• 모든 타사 LLM 공급자는 서브 프로세서이고 Atlassian의 서브 프로세서 페이지에서 확인할 수 있습니다. 사용자의 요청을 처리하는 것 외에는 어떤 목적으로도 사용자의 입력값 및 출력값을 사용하지 않습니다.
• 이 기능은 프롬프트 정보만 사용하므로 모든 Jira 권한을 준수합니다.

포커스 영역 핵심 요약은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함됩니다.

Atlassian Intelligence는 이 모델을 사용하여 Atlassian 제품 내에서 자연어를 분석하고 생성합니다.

이 모델은 사용자의 입력 내용에 따라 응답을 생성하며 본질적으로 확률적으로 작동합니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다.

OpenAI 모델의 기능에 대해 자세히 읽어보세요

Focus Area Executive Summary uses Atlassian Intelligence to provide a quick, actionable summary of your focus area, including the work that’s in progress, the health of connected goals, suggestions for where to pay attention, and recommendations to remediate any work items.

포커스 영역 핵심 요약은 다음과 같은 경우에 가장 효과적입니다.

• 포커스 영역 및 목표 업데이트는 완전하고 정확하며 성과, 진행률 및 위험이 충분히 상세하게 기록되어 있습니다.
• 성공을 측정하는 데 사용되는 관련 목표를 모두 포커스 영역에 직접 연결했습니다.
• 포커스 영역은 하위 포커스 영역과 연결되어 있고 자체 관련 업데이트 및 목표 연관성이 있습니다.

포커스 영역 요약의 기반이 되는 모델의 작동 방식으로 인해, 모델이 때로는 부정확하거나 불완전하거나 불안정하게 작동할 수 있다는 점을 기억해야 합니다.

예를 들어, 사용자가 받은 응답이 응답의 근거가 된 내용을 정확히 반영하지 못하거나 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다.

포커스 영역 핵심 요약은 다음과 같은 시나리오에서는 덜 유용하다는 것을 확인했습니다.

• 사용자, 장소 및 사실에 대한 정확한 최신 정보가 필요한 경우
• 요청에 적절하게 응답하기 위해 포커스 업데이트가 바로 이용 가능하지 않은 정보(예: 인스턴스)에 액세스해야 하는 경우.
• 포커스 영역 및 목표 업데이트가 불완전하거나 누락되었거나 상세하지 않습니다. 업데이트가 없거나 업데이트가 단지 이미지에만 의존하거나 업데이트가 잘못 작성되면 Atlassian Intelligence는 정확한 요약을 생성할 수 있는 적절한 컨텍스트를 제공하지 않습니다.

따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다.

포커스 영역 핵심 요약이 사용자의 데이터를 사용하는 방식에 대해 궁금한 점이 있을 수 있다는 것을 잘 알고 있습니다. 이 섹션은 Atlassian Trust Center에서 제공하는 정보를 보완합니다.

프로세스하는 사항:

• 프롬프트(입력) 및 응답(출력)
• 포커스 영역 업데이트, 목표 업데이트 및 연결된 포커스 영역 및 목표 등 프롬프트와 관련된 인스턴스의 컨텍스트.
• 클릭스트림 데이터 및 협업하는 사용자와 같이 사용자가 Atlassian의 기능과 어떻게 상호 작용하는지에 대한 데이터
• 피드백의 일부로 공유하기로 선택한 프롬프트 또는 응답을 포함하여 이 기능에 대해 제공하기로 선택한 피드백

사용자의 데이터와 관련하여 포커스 영역 핵심 요약은 다음과 같은 조치를 적용합니다.

• 프롬프트(입력) 및 응답(출력):
  • 다른 고객이 사용할 수 없음
  • OpenAI 외의 다른 타사 LLM 공급자에게 보내지 않습니다.
  • OpenAI에서 저장하지 않습니다.
  • OpenAI를 개선하는 데 사용되지 않습니다.
  • 사용자 경험을 제공하기 위한 목적으로만 사용
• OpenAI는 Atlassian의 하위 프로세서 목록에 있는 하위 프로세서입니다. 사용자의 요청을 처리 이외에는 어떤 목적으로도 사용자의 입력 및 산출물을 사용하지 않습니다.
• 이 기능은 인스턴스의 권한을 따릅니다. 예를 들어, 포커스 영역의 포커스에 연결된 목표에 액세스할 수 없는 경우 사용자가 받는 응답에 해당 목표는 포함되지 않습니다.