투명성을 위해 설계된 Atlassian Intelligence
열린 커뮤니케이션, 책임 의식, 팀이 AI를 책임감 있게 사용할 수 있도록 돕기 위해 헛소리는 하지 않는다는 정신에 대한 Atlassian의 약속입니다.
Atlassian Intelligence는 빠르게 공동 작업하고 팀에 권한을 부여하여 작업 속도를 높이도록 설계되었습니다. 팀과 가장 잘 협업하는 방법을 알아가는 것처럼 Atlassian Intelligence의 작동 방식을 이해하면 팀이 Atlassian Intelligence를 더욱 효과적으로 사용하는 데 도움이 됩니다. 이 페이지에서는 AI 기반 제품 및 기능의 작동 방식, 수행할 수 있는 작업과 수행할 수 없는 작업을 비롯해 AI 기반 제품 및 기능이 사용자가 제품을 경험하는 방식에 어떻게 기여하는지 설명합니다. 이 페이지의 정보를 숙지하면 Atlassian 제품을 최대한 활용하고 팀워크를 증진하는 데 도움이 될 것이라고 생각합니다. 책임 있는 기술 구축에 대한 Atlassian의 약속에 대해 자세히 알아보려면 책임 있는 기술 원칙을 참조하세요.
알림 그룹화
| Atlassian Intelligence의 알림 그룹화는 OpenAI 및 기타 머신러닝 모델에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함되어 있습니다. Atlassian Intelligence는 이 머신러닝 모델을 사용하여 알림 그룹을 분석 및 생성하고 알림 콘텐츠 또는 사용된 태그의 유사성을 기반으로 제품 내에서 관련 제안(과거 알림 그룹 및 과거 알림 대응자)을 제공합니다. 그런 다음 Atlassian Intelligence는 대규모 언어 모델을 사용하여 제품 내에서 이 그룹에 대한 자연어 설명 및 콘텐츠를 분석하고 생성합니다. 대규모 언어 모델은 사용자의 입력 내용에 따라 응답을 생성하며 확률적으로 작동합니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| 알림 그룹화는 Atlassian Intelligence를 사용하여 비슷한 알림을 식별하고 그룹화합니다. 또한 사용된 알림 콘텐츠 또는 태그의 의미론적 유사성을 기반으로 과거 유사한 알림 그룹 및 과거 알림 대응자(또는 대응자 팀)를 식별하고 추천하여 도움을 줍니다. 알림 그룹을 인시던트로 에스컬레이션하려는 경우 인시던트 만들기 프로세스에서 검토할 수 있도록 모든 상황별 정보를 미리 입력할 수도 있습니다. 알림 그룹화는 다음과 같은 시나리오에서 가장 잘 작동한다고 생각합니다.
|
| 알림 그룹화 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 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다. 표시되는 알림 그룹의 경우 태그의 의미론적 유사성을 정확하게 반영하지 못할 수 있습니다. 알림 그룹화는 다음과 같은 시나리오에서는 덜 유용합니다.
따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다. 또한 사용자 및 팀이 알림 태그를 사용할 때 일관된 관행을 따르도록 하는 것도 고려할 수 있습니다. |
| 알림 그룹화가 데이터를 어떻게 사용하는지에 대해 궁금한 점이 있을 수 있다는 것을 잘 알고 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
사용자의 알림 데이터를 처리하여 사용자의 알림과 관련된 패턴을 인식하는 머신러닝 모델을 학습시킵니다. 이 버전은 사용자 경험을 제공하기 위한 목적으로만 사용됩니다.
데이터에 대해 알림 그룹화는 다음과 같은 조치를 적용합니다.
|
Jira Service Management의 Atlassian Intelligence 답변
| Atlassian Intelligence 답변은 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 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Atlassian Intelligence의 답변 기능은 Jira Service Management의 가상 서비스 에이전트에 연결됩니다. 생성형 인공지능을 사용하여 연결된 참조 자료 스페이스를 검색하고 고객 질문에 답합니다. Atlassian Intelligence의 답변은 다음과 같은 시나리오에서 가장 잘 작동한다고 생각합니다.
|
| Atlassian Intelligence 답변을 구동하는 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 Intelligence의 답변은 다음과 같은 시나리오에서는 덜 유용하다는 것을 발견했습니다.
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.
|
| Jira Service Management의 Atlassian Intelligence 답변이 데이터를 어떻게 사용하는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
|
Atlassian Intelligence를 사용한 자동화
| Atlassian Intelligence를 사용한 자동화는 OpenAI에서 개발한 GPT 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함됩니다. Atlassian Intelligence는 이 모델을 사용하여 Jira 및 Confluence에서 자연어 입력을 분석하고 자동화 규칙을 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| 자동화 규칙을 만드는 것은 일상적인 자동화 경험의 핵심이며 Atlassian에서는 Jira 및 Confluence의 자동화 규칙 빌더에 Atlassian Intelligence를 추가하여 그 과정을 더욱 쉽게 만들고자 합니다. 이제 자동화하려는 항목을 입력하고 설명하기만 하면 자동화 규칙을 쉽게 만들 수 있으며 규칙을 만드는 골치 아픈 작업은 Atlassian Intelligence가 맡아서 처리해 줍니다. Jira 및 Confluence용 Atlassian Intelligence를 사용한 자동화에 대해 자세히 알아보세요. 어떻게 시작해야 할지 잘 모르겠거나 규칙 만들기 프로세스를 가속화하려는 시나리오에서는 Jira 및 Confluence용 Atlassian Intelligence를 사용한 자동화가 가장 효과적이라고 생각합니다. 자동화 규칙을 가장 효과적으로 만드는 방법을 모르시겠습니까?자동화 규칙은 트리거, 작업, 조건 및 브랜치와 같은 다양한 유형의 구성 요소를 조합하여 만들어집니다. 구성 요소를 규칙의 빌딩 블록으로 생각하세요. Atlassian Intelligence로 규칙을 성공적으로 만들려면 규칙에 최소한 트리거와 작업이 모두 포함되어 있어야 합니다. 예를 들면 다음과 같습니다. Jira에서: 매주 월요일에 기한 날짜가 7일 이내인 모든 작업을 찾아 담당자에게 알림 이메일을 보냅니다. 티켓이 테스트로 이동하면 티켓을 John Smith에게 할당합니다. Confluence에서:
또한 규칙을 만들려면 Atlassian Intelligence를 사용한 자동화가 모든 구성 요소를 지원해야 합니다. 즉, 규칙의 모든 트리거, 작업, 조건 또는 브랜치가 Jira 및/또는 Confluence의 자동화와 호환되어야 합니다. |
| Atlassian Intelligence를 사용하여 자동화를 구동하는 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 사용한 자동화는 다음과 같은 시나리오에서는 덜 효과적이라는 것을 발견했습니다.
따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다. Atlassian Intelligence를 사용한 자동화는 Jira 및 Confluence에서 사용 가능한 자동화 구성 요소의 기존 집합에서만 작동합니다. 위의 설명과 같이 Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명하는 것이 좋습니다. |
| Atlassian Intelligence를 사용한 자동화에서 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공되는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Confluence 자동화용 Atlassian Intelligence를 사용하는 데는 다음 조치가 적용됩니다.
OpenAI는 Atlassian의 하위 프로세서 목록에 있는 하위 프로세서입니다. 사용자의 요청을 처리하는 것 외에는 어떤 목적으로도 입력 및 출력을 사용하지 않습니다. 이 기능은 인스턴스의 권한을 따릅니다. 예를 들어, 특정 프로젝트 또는 페이지에 대한 액세스 권한이 없는 경우 받는 응답에 해당 자산의 콘텐츠가 제안되지 않습니다. 인스턴스의 다른 사용자에 대한 응답에서 콘텐츠를 사용할 수 없도록 하려면 조직 관리자에게 문의하여 권한이 적절하게 설정되었는지 확인하세요. |
차트 인사이트
| 차트 인사이트는 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함되어 있습니다. 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| 차트 인사이트는 Atlassian Intelligence를 사용하여 Atlassian Analytics의 모든 차트에 있는 데이터를 더 빠르게 이해할 수 있도록 도와줍니다. 대시보드 제목, 차트 제목, 차트 데이터(열 머리글과 행 값 포함)를 사용해 차트와 데이터에 대한 자연어 요약을 생성합니다. 또한 추세나 변칙을 식별하여 해당 차트에 대한 특정 인사이트를 제공하는 것도 목표로 합니다. 차트 인사이트는 다음과 같은 시나리오에서 가장 효과가 좋다고 생각합니다.
막대 차트, 선 차트, 막대-선 차트에는 보통 추세, 날짜, 여러 데이터 행이 포함되기 때문에 이 기능에 가장 잘 어울립니다. |
| 차트 인사이트를 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 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다. 차트 인사이트는 다음과 같은 시나리오에서는 덜 유용합니다.
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.
|
| 차트 인사이트가 데이터를 어떻게 사용하는지에 대해 궁금한 점이 있을 수 있다는 것을 잘 알고 있습니다. 이 섹션은 이 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터에 대해 차트 인사이트는 다음과 같은 조치를 적용합니다.
|
Confluence 간단한 요약
| Atlassian Intelligence를 사용한 페이지 및 블로그 요약은 OpenAI에서 개발한 LLM 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 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Atlassian Intelligence로 Confluence 페이지 또는 블로그에 대한 간단한 요약을 생성하여 시간을 절약하고 더 빠르게 작업하는 데 필요한 세부 정보를 얻으세요. Confluence에서 Atlassian Intelligence를 사용하는 방법에 대해 자세히 알아보세요. Atlassian Intelligence를 사용하여 페이지 및 블로그를 요약하는 것은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.
|
| Atlassian Intelligence를 사용하여 페이지 및 블로그를 요약하는 데 사용하는 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. 매크로, 표 및 요약의 확장에 대한 지원을 계속 개선하고 있지만 Atlassian Intelligence를 사용하여 페이지 및 블로그를 요약하는 것은 다음과 같은 시나리오에서는 덜 효과적이라는 것을 발견했습니다.
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.
|
| Confluence 자동화용 Atlassian Intelligence를 사용하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공되는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 페이지 및 블로그를 요약하는 데는 다음 조치가 적용됩니다.
|
Atlassian Intelligence를 사용하여 용어를 정의
| Confluence 및 Jira에서 Atlassian Intelligence를 사용하여 용어를 정의하는 것은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함되어 있습니다. Atlassian Intelligence는 이 모델을 사용하여 Confluence에서 자연어 답변을 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. |
| Confluence 및 Jira에서 콘텐츠를 사용할 때 가장 어려운 점은 읽고 있는 내용을 이해하는 데 필요한 컨텍스트를 얻는 것입니다. 약어, 머리글자어, 낯선 용어, 팀 또는 프로젝트 관련 이름으로 인해 필요한 정보를 검색하는 데 시간이 오래 걸릴 수 있습니다. Atlassian Intelligence를 사용하여 용어를 정의하면 Confluence의 페이지 또는 Jira의 이슈 설명에 회사별 용어(약어, 프로젝트, 시스템, 팀 이름 등)의 정의가 제공됩니다. 그러면 사용자에게 필요할 때 필요한 정보를 제공하는 동시에 팀이 더 효과적으로 공동 작업하는 데 도움이 됩니다. Atlassian Intelligence는 읽고 있는 내용에서 벗어나지 않고도 용어를 정의하여 시간을 절약해줄 수 있습니다. 부정확하다고 생각되는 정의가 있는 경우 새 정의를 편집하거나 추가한 다음 가시성을 해당 페이지 또는 이슈, 전체 스페이스 또는 프로젝트나 조직 전체에 액세스할 수 있도록 설정하면 됩니다. Confluence에서 Atlassian Intelligence를 사용하여 용어를 정의하는 것은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.
|
| Confluence에서 Atlassian Intelligence를 사용하여 용어를 정의하는 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. Confluence에서 Atlassian Intelligence를 사용하여 용어를 정의하는 것은 다음과 같은 시나리오에서는 덜 유용하다는 것을 발견했습니다.
또한 Jira에서는 Atlassian Intelligence를 사용한 용어 정의가 Confluence에서의 검색을 기반으로 하므로 Jira 인스턴스와 동일한 사이트에서 Confluence 인스턴스를 볼 권한이 있는 경우에만 Jira에서 이 기능이 작동한다는 것도 알게 되었습니다. Atlassian Intelligence를 사용하여 용어를 정의해도 콘텐츠가 여러 언어로 작성된 Confluence 스페이스 또는 Jira 인스턴스에서는 예상대로 작동하지 않을 수도 있습니다. |
| Atlassian Intelligence를 사용하여 용어를 정의하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공되는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 용어를 정의하는 데는 다음 조치가 적용됩니다.
|
Atlassian Intelligence로 풀리퀘스트 설명 생성
| Atlassian Intelligence를 통한 풀리퀘스트 설명 생성은 OpenAI에서 개발한 대규모 언어 모델(LLM)을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Atlassian Intelligence를 사용하면 Bitbucket Cloud 코드 검토 환경에서 풀리퀘스트 설명 또는 댓글을 작성할 때 콘텐츠를 생성, 변환, 요약할 수 있습니다. 여기에는 다음이 포함됩니다.
Atlassian Intelligence로 Bitbucket Cloud 풀리퀘스트 설명을 생성하는 것은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.
|
| 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.
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.
|
| Confluence에서 Atlassian Intelligence를 사용하여 용어를 정의하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공되는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence로 풀리퀘스트 설명을 생성하는 데는 다음 조치가 적용됩니다.
|
Atlassian Analytics에서 SQL 쿼리 생성
| Atlassian Analytics에서 Atlassian Intelligence를 사용하여 SQL 쿼리를 생성하는 것은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| 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.
|
| 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.
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 Intelligence를 사용하여 SQL 쿼리를 생성하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공되는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 SQL 쿼리를 생성하는 데는 다음 조치가 적용됩니다.
|
편집기의 생성형 AI
| 편집 경험에서 Atlassian Intelligence는 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 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Atlassian Intelligence는 조직 내 모든 팀의 효과적인 커뮤니케이션을 유도하여 효율성, 의사 결정 및 프로세스를 개선하는 데 도움이 됩니다. 편집 경험에서 Atlassian Intelligence를 사용하는 것은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.
|
| 편집 경험에서 Atlassian Intelligence를 구동하는 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. 편집 경험에서 Atlassian Intelligence를 사용하는 것은 다음과 같은 시나리오에서는 덜 유용하다는 것을 발견했습니다.
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.
|
| 편집 경험에서 Atlassian Intelligence를 사용하면 데이터 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공되는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 편집 경험에서 Atlassian Intelligence에는 다음 조치가 적용됩니다.
|
Confluence에서 답변 검색
| Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하는 기능은 OpenAI에서 개발한 LLM 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 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| 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 검색하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공되는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하는 데는 다음 조치가 적용됩니다.
|
Jira에서 이슈 검색
| Jira에서 Atlassian Intelligence를 사용한 이슈 검색은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 모델에는 생성된 합성 데이터를 사용하여 Atlassian에서 세부 조정한 OpenAI 모델이 포함되며 여기에 설명되어 있습니다. 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 모델의 기능 및 OpenAI 세부 조정에 대해 자세히 읽어보세요. OpenAI의 연구 논문에서도 이 접근 방식에 대해 자세히 읽어볼 수 있습니다. |
| 이제 복잡한 쿼리를 작성하는 대신 Atlassian Intelligence에 일상적인 언어로 원하는 것을 물어볼 수 있습니다. Atlassian Intelligence를 사용하여 이슈를 검색하면 프롬프트가 JQL 쿼리로 변환되어 특정 이슈를 빠르게 검색할 수 있습니다. Atlassian Intelligence를 사용한 이슈 검색은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.
|
| Atlassian Intelligence를 사용하여 이슈를 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 사용한 이슈 검색은 다음과 같은 시나리오에서는 덜 효과적이라는 것을 발견했습니다.
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. |
| Atlassian Intelligence를 사용하여 이슈를 검색하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공되는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 이슈를 검색하는 데는 다음 조치가 적용됩니다.
|
Jira Service Management의 요청 유형 제안
| Atlassian Intelligence를 사용한 요청 유형 제안은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 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.
|
| 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.
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 Intelligence를 사용하여 요청 유형을 제안하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공되는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 요청 유형을 제안하는 데는 다음 조치가 적용됩니다.
|
Jira Service Management에서 이슈 세부 정보를 요약
| Atlassian Intelligence를 사용한 이슈 세부 정보 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 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Jira Service Management 이슈에 대한 긴 설명과 수많은 댓글을 읽는 대신 Atlassian Intelligence를 사용하면 이 정보를 빠르게 요약할 수 있습니다. 그러면 에이전트가 이슈의 컨텍스트 및 진행률을 빠르게 파악하는 데 도움이 되어 신속한 조치를 취하고 적시에 지원을 제공할 수 있습니다. Atlassian Intelligence를 사용하여 이슈 세부 정보를 요약하는 것은 다음과 같은 경우에 가장 효과적이라고 생각합니다.
|
| Atlassian Intelligence를 사용하여 이슈 세부 정보를 요약하는 데 사용하는 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 이슈 세부 정보를 요약하는 것은 다음과 같은 시나리오에서는 덜 효과적이라는 것을 발견했습니다.
따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다. |
| Atlassian Intelligence를 사용하여 이슈 세부 정보를 요약하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공되는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 이슈 세부 정보를 요약하는 데는 다음 조치가 적용됩니다.
|
Atlassian Intelligence를 사용하여 사용자 지정 공식 작성
| Atlassian Intelligence를 사용한 사용자 지정 공식 작성은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함됩니다. Atlassian Intelligence는 이 모델을 사용하여 자연어를 분석한 다음 Atlassian Analytics에서 SQLite로 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. OpenAI의 연구 논문에서 OpenAI 모델의 기능에 대해 또는 이 접근 방식에 대해 자세히 알아보세요. |
| Atlassian Intelligence에 결과 테이블의 데이터를 변환하고 싶은 방법을 요청하거나 설명하면 SQLite 식을 처음부터 직접 작성하는 대신 Atlassian Intelligence에서 사용자 지정 공식에 사용되는 SQLite 식으로 변환해 줍니다. 사용자가 질문하면 Atlassian Intelligence는 이전 Visual SQL 단계의 결과 테이블에 있는 데이터를 사용하여 차트의 해당 데이터에 계산 또는 연산을 적용하는 SQLite 식을 생성합니다. SQLite 함수 및 그 구문에 대해 알아보는 데에도 도움이 될 수 있습니다. Atlassian Intelligence를 사용하여 사용자 지정 공식을 작성하는 것은 다음과 같은 시나리오에서 가장 효과적입니다.
|
| 사용자 지정 공식을 사용할 때 Atlassian Intelligence에서 사용하는 모델이 때로는 부정확하거나 불완전하거나 불안정하게 작동할 수 있다는 점을 기억하세요. 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 사용자 지정 공식을 작성하는 것은 다음과 같은 시나리오에서 덜 효과적입니다.
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.
|
| Atlassain Intelligence를 사용하여 사용자 지정 공식을 작성할 때 데이터가 사용되는 방법에 대해 궁금한 점이 있으실 수 있습니다. 이 섹션은 Atlassian의 Trust Center에서 제공하는 정보를 보완합니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 사용자 지정 공식을 작성하는 데는 다음 조치가 적용됩니다. 프롬프트(입력) 및 응답(출력):
OpenAI는 Atlassian의 하위 프로세서 목록에 있는 하위 프로세서입니다. 사용자의 요청을 처리하는 것 외에는 어떤 목적으로도 입력 및 출력을 사용하지 않습니다. |
Atlassian Intelligence에 대해 자세히 읽어보기
투명성을 위해 설계된 Atlassian Intelligence 및 Rovo
열린 커뮤니케이션, 책임 의식 및 팀이 AI를 책임감 있게 사용할 수 있도록 돕기 위해 헛소리는 하지 않는다는 정신에 대한 Atlassian의 약속입니다.
AI로 작업 가속화
사용 사례 및 데이터 사용을 투명하게 보려면 아래에서 Atlassian Intelligence의 기능을 선택하세요.
Jira Service Management의 Atlassian Intelligence 답변
| Atlassian Intelligence 답변은 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 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Atlassian Intelligence의 답변 기능은 Jira Service Management의 가상 서비스 에이전트에 연결됩니다. 생성형 인공지능을 사용하여 연결된 기술 자료 스페이스를 검색하고 고객 질문에 답합니다. Atlassian Intelligence의 답변은 다음과 같은 시나리오에서 가장 잘 작동한다고 생각합니다.
|
| Atlassian Intelligence 답변을 구동하는 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 Intelligence의 답변은 다음과 같은 시나리오에서는 덜 유용하다는 것을 발견했습니다.
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.
|
| Jira Service Management의 Atlassian Intelligence 답변이 데이터를 어떻게 사용하는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
|
Atlassian Intelligence를 사용한 자동화
| Atlassian Intelligence를 사용한 자동화는 OpenAI에서 개발한 GPT 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함됩니다. Atlassian Intelligence는 이 모델을 사용하여 Jira 및 Confluence에서 자연어 입력을 분석하고 자동화 규칙을 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| 자동화 규칙을 만드는 것은 일상적인 자동화 경험의 핵심이며 Atlassian에서는 Jira 및 Confluence의 자동화 규칙 빌더에 Atlassian Intelligence를 추가하여 그 과정을 더욱 쉽게 만들고자 합니다. 이제 자동화하려는 항목을 입력하고 설명하기만 하면 자동화 규칙을 쉽게 만들 수 있으며 규칙을 만드는 골치 아픈 작업은 Atlassian Intelligence가 맡아서 처리해 줍니다. Jira 및 Confluence용 Atlassian Intelligence를 사용한 자동화에 대해 자세히 알아보세요. 어떻게 시작해야 할지 잘 모르겠거나 규칙 만들기 프로세스를 가속화하려는 시나리오에서는 Jira 및 Confluence용 Atlassian Intelligence를 사용한 자동화가 가장 효과적이라고 생각합니다. 자동화 규칙을 가장 효과적으로 만드는 방법을 모르시겠습니까?자동화 규칙은 트리거, 작업, 조건 및 브랜치와 같은 다양한 유형의 구성 요소를 조합하여 만들어집니다. 구성 요소를 규칙의 빌딩 블록으로 생각하세요. Atlassian Intelligence로 규칙을 성공적으로 만들려면 규칙에 최소한 트리거와 작업이 모두 포함되어 있어야 합니다. 예를 들면 다음과 같습니다. Jira에서: 매주 월요일에 기한 날짜가 7일 이내인 모든 작업을 찾아 담당자에게 알림 이메일을 보냅니다. 티켓이 테스트로 이동하면 티켓을 John Smith에게 할당합니다. Confluence에서:
또한 규칙을 만들려면 Atlassian Intelligence를 사용한 자동화가 모든 구성 요소를 지원해야 합니다. 즉, 규칙의 모든 트리거, 작업, 조건 또는 브랜치가 Jira 및/또는 Confluence의 자동화와 호환되어야 합니다. |
| Atlassian Intelligence를 사용하여 자동화를 구동하는 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 사용한 자동화는 다음과 같은 시나리오에서는 덜 효과적이라는 것을 발견했습니다.
따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다. Atlassian Intelligence를 사용한 자동화는 Jira 및 Confluence에서 사용 가능한 자동화 구성 요소의 기존 집합에서만 작동합니다. 위의 설명과 같이 Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명하는 것이 좋습니다. |
| Atlassian Intelligence를 사용한 자동화에서 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Confluence 자동화용 Atlassian Intelligence를 사용하는 데는 다음 조치가 적용됩니다.
OpenAI는 Atlassian의 하위 프로세서 목록에 있는 하위 프로세서입니다. 사용자의 요청을 처리하는 것 외에는 어떤 목적으로도 입력 및 출력을 사용하지 않습니다. 이 기능은 인스턴스의 권한을 따릅니다. 예를 들어, 특정 프로젝트 또는 페이지에 대한 액세스 권한이 없는 경우 받는 응답에 해당 자산의 콘텐츠가 제안되지 않습니다. 인스턴스의 다른 사용자에 대한 응답에서 콘텐츠를 사용할 수 없도록 하려면 조직 관리자에게 문의하여 권한이 적절하게 설정되었는지 확인하세요. |
알림 그룹화
| Atlassian Intelligence의 알림 그룹화는 OpenAI 및 기타 머신러닝 모델에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함되어 있습니다. Atlassian Intelligence는 이 머신러닝 모델을 사용하여 알림 그룹을 분석 및 생성하고 알림 콘텐츠 또는 사용된 태그의 유사성을 기반으로 제품 내에서 관련 제안(과거 알림 그룹 및 과거 알림 대응자)을 제공합니다. 그런 다음 Atlassian Intelligence는 대규모 언어 모델을 사용하여 제품 내에서 이 그룹에 대한 자연어 설명 및 콘텐츠를 분석하고 생성합니다. 대규모 언어 모델은 사용자의 입력 내용에 따라 응답을 생성하며 확률적으로 작동합니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| 알림 그룹화는 Atlassian Intelligence를 사용하여 비슷한 알림을 식별하고 그룹화합니다. 또한 사용된 알림 콘텐츠 또는 태그의 의미론적 유사성을 기반으로 과거 유사한 알림 그룹 및 과거 알림 대응자(또는 대응자 팀)를 식별하고 추천하여 도움을 줍니다. 알림 그룹을 인시던트로 에스컬레이션하려는 경우 인시던트 만들기 프로세스에서 검토할 수 있도록 모든 상황별 정보를 미리 입력할 수도 있습니다. 알림 그룹화는 다음과 같은 시나리오에서 가장 잘 작동한다고 생각합니다.
|
| 알림 그룹화 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 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다. 표시되는 알림 그룹의 경우 태그의 의미론적 유사성을 정확하게 반영하지 못할 수 있습니다. 알림 그룹화는 다음과 같은 시나리오에서는 덜 유용합니다.
따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다. 또한 사용자 및 팀이 알림 태그를 사용할 때 일관된 관행을 따르도록 하는 것도 고려할 수 있습니다. |
| 알림 그룹화가 데이터를 어떻게 사용하는지에 대해 궁금한 점이 있을 수 있다는 것을 잘 알고 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
사용자의 알림 데이터를 처리하여 사용자의 알림과 관련된 패턴을 인식하는 머신러닝 모델을 학습시킵니다. 이 버전은 사용자 경험을 제공하기 위한 목적으로만 사용됩니다.
데이터에 대해 알림 그룹화는 다음과 같은 조치를 적용합니다.
|
| Atlassian Intelligence를 사용한 페이지 및 블로그 요약은 OpenAI에서 개발한 LLM 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함되어 있습니다. 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Atlassian Intelligence로 Confluence 페이지 또는 블로그에 대한 간단한 요약을 생성하여 시간을 절약하고 더 빠르게 작업하는 데 필요한 세부 정보를 얻으세요. Confluence에서 Atlassian Intelligence를 사용하는 방법에 대해 자세히 알아보세요. Atlassian Intelligence를 사용하여 페이지 및 블로그를 요약하는 것은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.
|
| Atlassian Intelligence를 사용하여 페이지 및 블로그를 요약하는 데 사용하는 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. 매크로, 표 및 요약의 확장에 대한 지원을 계속 개선하고 있지만 Atlassian Intelligence를 사용하여 페이지 및 블로그를 요약하는 것은 다음과 같은 시나리오에서는 덜 효과적이라는 것을 발견했습니다.
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.
|
| Confluence 자동화용 Atlassian Intelligence를 사용하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 페이지 및 블로그를 요약하는 데는 다음 조치가 적용됩니다.
|
Atlassian Intelligence를 사용하여 용어를 정의
| Confluence 및 Jira에서 Atlassian Intelligence를 사용하여 용어를 정의하는 것은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함되어 있습니다. Atlassian Intelligence는 이 모델을 사용하여 Confluence에서 자연어 답변을 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. |
| Confluence 및 Jira에서 콘텐츠를 사용할 때 가장 어려운 점은 읽고 있는 내용을 이해하는 데 필요한 컨텍스트를 얻는 것입니다. 약어, 머리글자어, 낯선 용어, 팀 또는 프로젝트 관련 이름으로 인해 필요한 정보를 검색하는 데 시간이 오래 걸릴 수 있습니다. Atlassian Intelligence를 사용하여 용어를 정의하면 Confluence의 페이지 또는 Jira의 이슈 설명에 회사별 용어(약어, 프로젝트, 시스템, 팀 이름 등)의 정의가 제공됩니다. 그러면 사용자에게 필요할 때 필요한 정보를 제공하는 동시에 팀이 더 효과적으로 공동 작업하는 데 도움이 됩니다. Atlassian Intelligence는 읽고 있는 내용에서 벗어나지 않고도 용어를 정의하여 시간을 절약해줄 수 있습니다. 부정확하다고 생각되는 정의가 있는 경우 새 정의를 편집하거나 추가한 다음 가시성을 해당 페이지 또는 이슈, 전체 스페이스 또는 프로젝트나 조직 전체에 액세스할 수 있도록 설정하면 됩니다. Confluence에서 Atlassian Intelligence를 사용하여 용어를 정의하는 것은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.
|
| Confluence에서 Atlassian Intelligence를 사용하여 용어를 정의하는 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. Confluence에서 Atlassian Intelligence를 사용하여 용어를 정의하는 것은 다음과 같은 시나리오에서는 덜 유용하다는 것을 발견했습니다.
또한 Jira에서는 Atlassian Intelligence를 사용한 용어 정의가 Confluence에서의 검색을 기반으로 하므로 Jira 인스턴스와 동일한 사이트에서 Confluence 인스턴스를 볼 권한이 있는 경우에만 Jira에서 이 기능이 작동한다는 것도 알게 되었습니다. Atlassian Intelligence를 사용하여 용어를 정의해도 콘텐츠가 여러 언어로 작성된 Confluence 스페이스 또는 Jira 인스턴스에서는 예상대로 작동하지 않을 수도 있습니다. |
| Atlassian Intelligence를 사용하여 용어를 정의하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 용어를 정의하는 데는 다음 조치가 적용됩니다.
|
편집기의 생성형 AI
| 편집 경험에서 Atlassian Intelligence는 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 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Atlassian Intelligence는 조직 내 모든 팀의 효과적인 커뮤니케이션을 유도하여 효율성, 의사 결정 및 프로세스를 개선하는 데 도움이 됩니다. 편집 경험에서 Atlassian Intelligence를 사용하는 것은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.
|
| 편집 경험에서 Atlassian Intelligence를 구동하는 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. 편집 경험에서 Atlassian Intelligence를 사용하는 것은 다음과 같은 시나리오에서는 덜 유용하다는 것을 발견했습니다.
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.
|
| 편집 경험에서 Atlassian Intelligence를 사용하면 데이터 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 편집 경험에서 Atlassian Intelligence에는 다음 조치가 적용됩니다.
|
Jira Service Management에서 이슈 세부 정보를 요약
| Atlassian Intelligence를 사용한 이슈 세부 정보 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 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Jira Service Management 이슈에 대한 긴 설명과 수많은 댓글을 읽는 대신 Atlassian Intelligence를 사용하면 이 정보를 빠르게 요약할 수 있습니다. 그러면 에이전트가 이슈의 컨텍스트 및 진행률을 빠르게 파악하는 데 도움이 되어 신속한 조치를 취하고 적시에 지원을 제공할 수 있습니다. Atlassian Intelligence를 사용하여 이슈 세부 정보를 요약하는 것은 다음과 같은 경우에 가장 효과적이라고 생각합니다.
|
| Atlassian Intelligence를 사용하여 이슈 세부 정보를 요약하는 데 사용하는 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 이슈 세부 정보를 요약하는 것은 다음과 같은 시나리오에서는 덜 효과적이라는 것을 발견했습니다.
따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다. |
| Atlassian Intelligence를 사용하여 이슈 세부 정보를 요약하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 이슈 세부 정보를 요약하는 데는 다음 조치가 적용됩니다.
|
편집기의 생성형 AI
| AI로 스마트 링크 요약은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델은 여기에 설명된 OpenAI 모델을 포함합니다. 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Jira, Confluence, Google Docs에서 스마트 링크 위에 마우스를 올리면 Atlassian Intelligence가 콘텐츠를 요약해 줍니다. 이를 통해 사용자는 링크의 중요도 및 가치를 파악하고 다음 작업을 결정할 수 있습니다. 따라서 현재 페이지를 떠나 컨텍스트를 전환할 필요가 줄어듭니다. AI로 스마트 링크 요약은 다음과 같은 시나리오에 가장 도움이 될 수 있습니다.
|
| AI로 스마트 링크 요약의 기반이 되는 모델의 작동 방식으로 인해, 모델이 때로는 부정확하거나 불완전하거나 신뢰할 수 없는 방식으로 작동할 수 있다는 점을 기억해야 합니다. 예를 들어, 사용자가 받은 요약이 요약의 근거가 된 내용을 정확히 반영하지 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다. AI로 스마트 링크 요약은 다음과 같은 시나리오에서는 유용하지 않을 수 있습니다.
따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다. |
| Atlassian Intelligence를 사용하여 이슈 세부 정보를 요약하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터와 관련하여 AI로 스마트 링크 요약은 다음과 같은 조치를 적용합니다. 다음을 요약합니다.
|
Confluence 간단한 요약
| Atlassian Intelligence를 사용한 사용자 지정 공식 작성은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함됩니다. Atlassian Intelligence는 이 모델을 사용하여 자연어를 분석한 다음 Atlassian Analytics에서 SQLite로 변환합니다. 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Atlassian Intelligence에 결과 테이블의 데이터를 변환하고 싶은 방법을 요청하거나 설명하면 SQLite 식을 처음부터 직접 작성하는 대신 Atlassian Intelligence에서 사용자 지정 공식에 사용되는 SQLite 식으로 변환해 줍니다. 사용자가 질문하면 Atlassian Intelligence는 이전 Visual SQL 단계의 결과 테이블에 있는 데이터를 사용하여 차트의 해당 데이터에 계산 또는 연산을 적용하는 SQLite 식을 생성합니다. SQLite 함수 및 그 구문에 대해 알아보는 데에도 도움이 될 수 있습니다. Atlassian Intelligence를 사용하여 사용자 지정 공식을 작성하는 것은 다음과 같은 시나리오에서 가장 효과적입니다.
|
| 사용자 지정 공식을 사용할 때 Atlassian Intelligence에서 사용하는 모델이 때로는 부정확하거나 불완전하거나 불안정하게 작동할 수 있다는 점을 기억하세요. 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 사용자 지정 공식을 작성하는 것은 다음과 같은 시나리오에서 덜 효과적입니다.
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.
|
| Confluence 자동화용 Atlassian Intelligence를 사용하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 페이지 및 블로그를 요약하는 데는 다음 조치가 적용됩니다.
|
AI를 사용하여 행동 유도
사용 사례 및 데이터 사용을 투명하게 보려면 아래에서 Atlassian Intelligence의 기능을 선택하세요.
| Atlassian Intelligence를 사용한 페이지 및 블로그 요약은 OpenAI에서 개발한 LLM 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함되어 있습니다. 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Jira Service Management에서 하나 이상의 알림 또는 알림 그룹을 인시던트로 에스컬레이션할 때 Create with AI는 Atlassian Intelligence를 사용하여 인시던트 만들기 프로세스의 일부로 검토할 수 있도록 모든 컨텍스트 정보를 빠르게 미리 채워줍니다. 그러면 사용자는 해당 알림 또는 알림 그룹에서 만들어진 인시던트의 컨텍스트를 빠르게 이해하고 알림을 인시던트로 에스컬레이션할 때 알림의 제목, 설명, 우선 순위 등 미리 채워진 정보를 검토하고 확인할 수 있습니다. AI로 인시던트 만들기는 다음과 같은 시나리오에 가장 도움이 될 수 있습니다.
|
| AI로 인시던트 만들기를 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 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다. AI로 인시던트 만들기는 다음과 같은 시나리오에서는 유용하지 않을 수 있습니다.
따라서 Atlassian Intelligence를 사용하는 상황을 생각해 보고 이렇게 받은 응답을 다른 사람과 공유하기 전에 그 품질을 검토해 보는 것이 좋습니다. 가장 유용한 결과를 얻으려면 Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명하는 것이 좋습니다. 또한 Atlassian Intelligence에 요청하는 작업을 최대한 구체적으로 설명하는 것이 좋습니다. |
| AI로 인시던트 만들기가 데이터를 어떻게 사용하는지에 대해 궁금한 점이 있을 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터와 관련하여 AI로 인시던트 만들기는 다음과 같은 조치를 적용합니다.
|
Create post-incident review
| PIR (Post-Incident Review) creation by Atlassian Intelligence is powered by large language models developed by OpenAI. These large language models include OpenAI’s GPT series of models. Atlassian Intelligence uses these models to analyze and generate natural language within our products. These models generate responses based on users' inputs and are probabilistic in nature. This means that the responses are generated by predicting the most probable next word or text, based on the data that they’ve been trained on. Read more about the capabilities of OpenAI’s models, or about this approach in OpenAI’s research papers. |
| PIRs are a core part of the incident management process, helping incident responders and managers learn from current incidents and pass along insights to prevent similar incidents in the future. Atlassian Intelligence helps to accelerate the often time-consuming task of compiling a PIR by suggesting a PIR description based on relevant contextual information in your Jira Service Management instance and chat tools like Slack for you to review. We believe that PIR creation using AI works best in scenarios where:
|
| It’s important to remember that because of the way that the models used to power PIR creation work, they can sometimes behave in ways that are inaccurate, incomplete, or unreliable. For example, the responses that you receive might not accurately reflect the content that they are based on or include content that might sound reasonable but is false or incomplete. We’ve found that PIR creation using AI is less useful in scenarios where:
For this reason, we encourage you to think about situations where you can use Atlassian Intelligence and review the quality of the responses you receive before sharing them with others. You might also want to think about:
|
| We understand you may have questions about how create post-incident review using AI uses your data. This section supplements the information available on our FAQ page. We process:
When it comes to your data, PIR creation using AI applies the following measures.
|
Atlassian Intelligence로 풀리퀘스트 설명 생성
| Atlassian Intelligence를 통한 풀리퀘스트 설명 생성은 OpenAI에서 개발한 대규모 언어 모델(LLM)을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| Atlassian Intelligence를 사용하면 Bitbucket Cloud 코드 검토 환경에서 풀리퀘스트 설명 또는 댓글을 작성할 때 콘텐츠를 생성, 변환, 요약할 수 있습니다. 여기에는 다음이 포함됩니다.
Atlassian Intelligence로 Bitbucket Cloud 풀리퀘스트 설명을 생성하는 것은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.
|
| 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.
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.
|
| Confluence에서 Atlassian Intelligence를 사용하여 용어를 정의하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence로 풀리퀘스트 설명을 생성하는 데는 다음 조치가 적용됩니다.
|
Atlassian Analytics에서 SQL 쿼리 생성
| Atlassian Analytics에서 Atlassian Intelligence를 사용하여 SQL 쿼리를 생성하는 것은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| 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.
|
| 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.
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 Intelligence를 사용하여 SQL 쿼리를 생성하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 SQL 쿼리를 생성하는 데는 다음 조치가 적용됩니다.
|
Confluence에서 답변 검색
| Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하는 기능은 OpenAI에서 개발한 LLM 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 확률적인 특성을 가지고 있습니다. 따라서 학습한 데이터를 바탕으로 가능성이 가장 높은 다음 단어 또는 텍스트를 예측하여 응답을 생성합니다. OpenAI 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| 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 검색하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 Confluence에서 답변을 검색하는 데는 다음 조치가 적용됩니다.
|
Jira에서 이슈 검색
| Jira에서 Atlassian Intelligence를 사용한 이슈 검색은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 모델에는 생성된 합성 데이터를 사용하여 Atlassian에서 세부 조정한 OpenAI 모델이 포함되며 여기에 설명되어 있습니다. 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 모델의 기능 및 OpenAI 세부 조정에 대해 자세히 읽어보세요. OpenAI의 연구 논문에서도 이 접근 방식에 대해 자세히 읽어볼 수 있습니다. |
| 이제 복잡한 쿼리를 작성하는 대신 Atlassian Intelligence에 일상적인 언어로 원하는 것을 물어볼 수 있습니다. Atlassian Intelligence를 사용하여 이슈를 검색하면 프롬프트가 JQL 쿼리로 변환되어 특정 이슈를 빠르게 검색할 수 있습니다. Atlassian Intelligence를 사용한 이슈 검색은 다음과 같은 시나리오에서 가장 효과적이라고 생각합니다.
|
| Atlassian Intelligence를 사용하여 이슈를 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 사용한 이슈 검색은 다음과 같은 시나리오에서는 덜 효과적이라는 것을 발견했습니다.
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. |
| Atlassian Intelligence를 사용하여 이슈를 검색하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 이슈를 검색하는 데는 다음 조치가 적용됩니다.
|
데이터에서 즉시 인사이트 확보
사용 사례 및 데이터 사용을 투명하게 보려면 아래에서 Atlassian Intelligence의 기능을 선택하세요.
차트 인사이트
| 차트 인사이트는 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 모델이 포함되어 있습니다. 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 대해 자세히 읽어보세요. |
| 차트 인사이트는 Atlassian Intelligence를 사용하여 Atlassian Analytics의 모든 차트에 있는 데이터를 더 빠르게 이해할 수 있도록 도와줍니다. 대시보드 제목, 차트 제목, 차트 데이터(열 머리글과 행 값 포함)를 사용해 차트와 데이터에 대한 자연어 요약을 생성합니다. 또한 추세나 변칙을 식별하여 해당 차트에 대한 특정 인사이트를 제공하는 것도 목표로 합니다. 차트 인사이트는 다음과 같은 시나리오에서 가장 효과가 좋다고 생각합니다.
막대 차트, 선 차트, 막대-선 차트에는 보통 추세, 날짜, 여러 데이터 행이 포함되기 때문에 이 기능에 가장 잘 어울립니다. |
| 차트 인사이트를 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 못할 수도 있고 겉으로는 합리적으로 들리지만 거짓이거나 완전하지 않은 내용을 포함할 수도 있습니다. 차트 인사이트는 다음과 같은 시나리오에서는 덜 유용합니다.
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.
|
| 차트 인사이트가 데이터를 어떻게 사용하는지에 대해 궁금한 점이 있을 수 있다는 것을 잘 알고 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터에 대해 차트 인사이트는 다음과 같은 조치를 적용합니다.
|
Jira Service Management의 요청 유형 제안
| Atlassian Intelligence를 사용한 요청 유형 제안은 OpenAI에서 개발한 대규모 언어 모델을 기반으로 합니다. 이 모델에는 여기에 설명된 OpenAI 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 연구 논문에서 OpenAI 모델의 기능 또는 이 접근 방식에 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.
|
| 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.
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 Intelligence를 사용하여 요청 유형을 제안하면 데이터가 어떻게 사용되는지에 대해 궁금하실 수 있습니다. 이 섹션은 FAQ 페이지에서 제공되는 정보를 보충하는 내용입니다. Atlassian에서는 다음을 처리합니다.
데이터의 경우 Atlassian Intelligence를 사용하여 요청 유형을 제안하는 데는 다음 조치가 적용됩니다.
|