Atlassian Intelligence — инструмент обеспечения прозрачности
Здесь отражена наша искренняя приверженность открытому общению, принятию обязательств и оказанию помощи командам в ответственном использовании AI.
Решение Atlassian Intelligence призвано ускорить работу команд и взаимодействие между ними. Чтобы эффективнее использовать инструмент Atlassian Intelligence, командам следует разобраться в принципах его работы. Этот процесс подобен тому, как руководители налаживают работу со своей группой. На этой странице мы расскажем о том, как работают наши решения и функции на базе AI и предоставим сведения об их возможностях и ограничениях, а также о том, как они влияют на восприятие клиентами наших продуктов. Мы уверены, что представленная здесь информация поможет вам и вашим командам извлечь максимум пользы из возможностей наших продуктов. Подробнее о нашей приверженности ответственному созданию технологий см. в Принципах ответственных технологий.
Группировка оповещений
Группировка оповещений с помощью Atlassian Intelligence основана на больших языковых моделях OpenAI и других моделях машинного обучения, включая описанные на сайте OpenAI. Сервис Atlassian Intelligence использует эти модели машинного обучения для анализа и группировки оповещений в наших продуктах по содержимому или тегам, а также для предоставления рекомендаций с учетом предыдущих групп оповещений и лиц, реагировавших на прошлые оповещения. Затем Atlassian Intelligence с помощью больших языковых моделей анализирует и генерирует описания и контент на естественном языке для этих групп в наших продуктах. Большие языковые модели генерируют ответы на основе ваших входных данных и являются вероятностными. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Сервис Atlassian Intelligence используется для выявления и группировки похожих оповещений. AI также помогает выявлять и рекомендовать предыдущие похожие группы оповещений и пользователей или команды, реагировавшие на прошлые оповещения, исходя из семантического сходства контента или тегов оповещений. Если вы захотите эскалировать группу оповещений до инцидента, функция группировки оповещений предварительно заполнит всю контекстную информацию, которую вы сможете просмотреть в процессе создания инцидента. По нашему мнению, группировка оповещений показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что иногда модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых для группировки оповещений. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. В случае с группами оповещений они могут неточно отражать семантическое сходство тегов. Мы обнаружили, что группировка оповещений может оказаться не так эффективна в следующих случаях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Стоит также подумать о выработке единых правил использования тегов в вашей команде. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при группировке оповещений. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Мы обрабатываем данные ваших оповещений, чтобы обучить версию модели машинного обучения распознавать закономерности, характерные именно для них. Эта версия используется только для вас.
Для функции группировки оповещений предусмотрены следующие меры в отношении ваших данных.
|
Ответы Atlassian Intelligence в Jira Service Management
Функция ответов Atlassian Intelligence работает на базе больших языковых моделей, разработанных OpenAI, включая модели, описанные здесь. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Возможность ответов Atlassian Intelligence работает в связке с виртуальным агентом службы поддержки в Jira Service Management. Для поиска в связанных разделах базы знаний и ответа на вопросы клиентов используется генеративный искусственный интеллект. По нашему мнению, функция ответов Atlassian Intelligence показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что из-за принципов работы моделей, используемых для ответов Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что функция ответов Atlassian Intelligence может быть менее полезной в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при работе с ответами Atlassian Intelligence в Jira Service Management. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
|
Автоматизация с помощью Atlassian Intelligence
Автоматизация с помощью Atlassian Intelligence работает на базе моделей GPT, разработанных OpenAI, включая модели OpenAI, описанные здесь. Atlassian Intelligence использует эти модели, чтобы анализировать входные данные на естественном языке и создавать на их основе правила автоматизации в Jira и Confluence. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Создание правил лежит в основе повседневной работы с автоматизацией, и мы хотим упростить для вас эту задачу, добавив Atlassian Intelligence в конструктор правил автоматизации в Jira и Confluence. Теперь можно легко создавать правила автоматизации, просто описав, что вы хотите автоматизировать, а Atlassian Intelligence возьмет на себя самую трудную работу по созданию правила. Подробнее об использовании Atlassian Intelligence для автоматизации в Jira и Confluence. По нашему мнению, использование Atlassian Intelligence для автоматизации в Jira и Confluence дает наилучшие результаты в случаях, когда вы не знаете, с чего начать, или хотите ускорить процесс создания правил. Не знаете, как лучше создать правило автоматизации?Правила автоматизации создаются из сочетаний различных типов компонентов: триггеров, действий, условий и веток. Компоненты можно представить в виде кирпичиков, из которых строится правило. Чтобы создать правило с помощью Atlassian Intelligence, оно должно содержать как минимум один триггер и одно действие. Вот несколько примеров. Пример для Jira. Каждый понедельник находить все задания с датой выполнения в течение следующих 7 дней и отправлять исполнителю напоминание по электронной почте. Когда заявка будет передана на тестирование, назначить ее Ивану Петрову. Пример для Confluence.
Кроме того, правило можно создать, только если все его компоненты поддерживаются автоматизацией с помощью Atlassian Intelligence. Это означает, что любые триггеры, действия, условия или ветки в правиле должны быть совместимы с автоматизацией в Jira и (или) Confluence. |
Важно помнить, что из-за принципов работы моделей, используемых для работы автоматизации с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или недостоверные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы заметили, что автоматизация с помощью Atlassian Intelligence может быть менее полезна в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Автоматизация с помощью Atlassian Intelligence будет работать только с существующим набором доступных компонентов автоматизации в Jira и Confluence. Также рекомендуется отправлять Atlassian Intelligence максимально конкретные запросы, как описано выше. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при автоматизации с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
Для функции автоматизации в Confluence с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
OpenAI является субобработчиком из нашего списка субобработчиков. OpenAI не использует ваш ввод и вывод ни для каких целей, кроме обработки вашего запроса. Эта функция учитывает права доступа в вашем экземпляре. Например, если у вас нет доступа к определенному проекту или странице, в ответ не будет включен контент из этих активов. Если вы хотите ограничить доступность контента в ответах для других пользователей в вашем экземпляре, обратитесь к администратору организации, чтобы настроить права доступа соответствующим образом. |
Аналитика диаграмм
Функция аналитики диаграмм работает на базе больших языковых моделей, разработанных OpenAI, включая модели компании, приведенные здесь. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы составляются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Аналитика диаграмм на базе Atlassian Intelligence поможет быстрее разобраться в данных на любой диаграмме в Atlassian Analytics. На основе названий дашбоарда и диаграммы, а также данных диаграммы (включая заголовки столбцов и значения строк) создается краткое описание диаграммы и показанных на ней данных на естественном языке. Также эта функция будет выявлять тенденции и аномалии в данных и предоставлять вам определенные выводы по диаграмме. По нашему мнению, chart insights показывает наилучшие результаты в следующих случаях.
Эта функция лучше всего подходит для столбиковых диаграмм, линейных графиков и их сочетаний, так как они обычно отражают тенденции, содержат даты и множество строк данных. |
Важно! Иногда эти модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых в качестве основы для описанных функций chart insights. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что в следующих случаях функция chart insights может показать себя не так эффективно.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при работе функции chart insights. В этом разделе представлены сведения, дополняющие содержание этой страницы. Мы обрабатываем следующие данные.
Для функции chart insights предусмотрены следующие меры в отношении ваших данных.
|
Краткое изложение в Confluence
Краткое изложение страниц и блогов с помощью Atlassian Intelligence работает на базе больших языковых моделей, разработанных OpenAI, включая модели, описанные здесь. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Экономьте время и быстрее получайте сведения, необходимые для работы, формируя краткое изложение страниц или блогов Confluence с помощью Atlassian Intelligence. Подробнее об использовании Atlassian Intelligence в Confluence. По нашему мнению, функция краткого изложения страниц и блогов с помощью Atlassian Intelligence показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что из-за принципов работы моделей, используемых для формирования краткого изложения страниц и блогов с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Хотя мы продолжаем улучшать поддержку макросов, таблиц и раскрываемых разделов функцией краткого изложения, мы обнаружили, что краткое изложение страниц и блогов с помощью Atlassian Intelligence может быть менее полезным в следующих ситуациях.
Рекомендуем внимательно следить за случаями, когда вы используете Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при автоматизации в Confluence с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
Для краткого изложения страниц и блогов с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Генерация определений для терминов с помощью Atlassian Intelligence
Atlassian Intelligence в Confluence и Jira дает определения для терминов на базе больших языковых моделей, разработанных OpenAI, включая модели, описанные здесь. С помощью этих моделей Atlassian Intelligence анализирует запросы и генерирует ответы на естественном языке в Confluence. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. |
Иногда при ознакомлении с содержимым в Confluence и Jira одна из самых сложных задач — получить контекст, необходимый для понимания того, что вы читаете. Сокращения, аббревиатуры, незнакомые термины и названия, используемые в конкретных командах или проектах, могут затруднить поиск нужной информации. С помощью Atlassian Intelligence можно узнать определения для специализированных терминов компании (например, акронимов, названий проектов, систем или команд) на странице Confluence или в описании задачи в Jira. Таким образом пользователи могут получить необходимую информацию именно тогда, когда она им нужна, что способствует совместной работе команд. Atlassian Intelligence помогает экономить время, предоставляя нужные определения без необходимости переключаться с изучаемого документа. Если вы столкнулись с определением, которое, по вашему мнению, является неточным, вы можете отредактировать его или добавить новое, а затем настроить видимость определения для этой страницы, задачи, всего раздела или проекта, а также для доступа в рамках всей вашей организации. По нашему мнению, Atlassian Intelligence в Confluence лучше всего дает определения для терминов в следующих случаях.
|
Важно помнить, что из-за принципов работы моделей, используемых для генерации определений для терминов с помощью Atlassian Intelligence в Confluence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы заметили, что функция определения терминов с помощью Atlassian Intelligence в Confluence может быть менее полезной в следующих ситуациях.
Кроме того, мы обнаружили, что в Jira эта возможность будет работать только при наличии права на просмотр экземпляра Confluence на том же сайте, где находится ваш экземпляр Jira, поскольку генерация определений для терминов с помощью Atlassian Intelligence основана на поиске в Confluence. Вы также можете заметить, что генерация определений для терминов с помощью Atlassian Intelligence не работает должным образом в разделах Confluence или экземплярах Jira, в которых контент написан на нескольких языках. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при генерации определений для терминов с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
Для функции генерации определений терминов с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Составляйте описания для запросов pull с помощью Atlassian Intelligence
Описания для запросов pull составляются посредством Atlassian Intelligence на основе больших языковых моделей (LLM), разработанных OpenAI, включая модели OpenAI, описанные здесь. С помощью этих моделей решение Atlassian Intelligence анализирует и создает в наших продуктах ответы на естественном языке и программный код. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе см. в исследованиях, проведенных компанией. |
С помощью Atlassian Intelligence можно создавать, преобразовывать и обобщать описания запросов pull или комментарии в режиме проверки программного кода в Bitbucket Cloud. Доступны следующие возможности:
Мы считаем, что функция составления описаний для запросов pull в Bitbucket Cloud с помощью Atlassian Intelligence приносит наибольшую пользу в следующих случаях:
|
Важно! Иногда эти модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых в качестве основы для описанных функций Atlassian Intelligence. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы выяснили, что функция составления описаний для запросов pull в Bitbucket Cloud с помощью Atlassian Intelligence может принести меньше пользы, чем обычно, в следующих случаях:
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при определении терминов с помощью Atlassian Intelligence в Confluence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
При составлении описаний для запросов pull с помощью Atlassian Intelligence ваши данные:
|
Генерация SQL-запросов в Atlassian Analytics
Генерация SQL-запросов в Atlassian Analytics с помощью Atlassian Intelligence работает на базе больших языковых моделей, разработанных OpenAI, включая модели OpenAI, описанные здесь. Atlassian Intelligence использует эти модели для анализа естественного языка, а затем преобразует его в язык Structured Query Language (SQL) в Atlassian Analytics. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Задайте Atlassian Intelligence вопрос на естественном языке и преобразуйте его в SQL, вместо того чтобы писать собственные SQL-запросы с нуля. После того как вы зададите вопрос, Atlassian Intelligence использует схему Atlassian Data Lake выбранного источника данных для создания SQL-запроса, который можно использовать для построения диаграмм на дашбоардах Atlassian Analytics, а также для ознакомления со схемой в озере данных. По нашему мнению, функция генерации SQL-запросов с помощью Atlassian Intelligence показывает наилучшие результаты в следующих случаях.
Не знаете, какие вопросы задать?Вот несколько вариантов.
|
Важно помнить, что из-за принципов работы моделей, используемых для генерации SQL-запросов с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы заметили, что генерация SQL-запросов с помощью Atlassian Intelligence может быть менее полезна в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при генерации SQL-запросов с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
При генерации SQL-запросов с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Генеративный ИИ в редакторе
Функция редактирования с помощью Atlassian Intelligence работает на базе больших языковых моделей, разработанных OpenAI, включая модели OpenAI, описанные здесь. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Atlassian Intelligence помогает наладить коммуникацию между всеми командами организации для повышения эффективности, принятия более точных решений и совершенствования других процессов. По нашему мнению, функция редактирования с помощью Atlassian Intelligence показывает наилучшие результаты в следующих ситуациях.
|
Важно помнить, что из-за принципов работы моделей, используемых для редактирования с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы обнаружили, что функция редактирования с помощью Atlassian Intelligence может быть менее полезной в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при редактировании с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
Для функции редактирования с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Поиск ответов в Confluence
Поиск ответов в Confluence с помощью Atlassian Intelligence работает на базе больших языковых моделей, разработанных OpenAI, включая модели OpenAI, описанные здесь. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Базы знаний растут слишком быстро, чтобы пользователи могли за ними угнаться. Поиск ответов в Confluence с помощью Atlassian Intelligence позволяет быстро получать ключевую информацию, которая необходима клиентам для продуктивной работы. Эта функция поможет без труда находить нужные сведения. Atlassian Intelligence понимает вопросы, которые вы могли бы задать коллеге, и мгновенно отвечает на них. Подробнее о том, как использовать Atlassian Intelligence для поиска ответов в Confluence. По нашему мнению, функция поиска ответов в Confluence с помощью Atlassian Intelligence показывает наилучшие результаты, когда ваш сайт Confluence полон подробного, полного и актуального контента. Эта функция не генерирует новый контент, а ищет ответ на вопрос на страницах и в блогах Confluence (с учетом ограничений). Atlassian Intelligence генерирует ответы исключительно на основе того, что есть в экземпляре Confluence и к чему конкретно у вас есть доступ. Не знаете, какие вопросы задать?Вот несколько вариантов.
|
Мы понимаем, что у вас могут возникнуть вопросы по поводу того, как используются ваши данные при поиске ответов в Confluence с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
Поиск ответов в Confluence с помощью Atlassian Intelligence предусматривает следующие меры в отношении ваших данных.
|
Поиск задач в Jira
Поиск задач в Jira с помощью Atlassian Intelligence работает на базе больших языковых моделей, разработанных OpenAI, включая модели OpenAI, описанные здесь и доработанные компанией Atlassian с использованием сгенерированных синтетических данных. Atlassian Intelligence использует эти модели для анализа естественного языка, а затем преобразует его в код Jira Query Language (JQL) в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и тонкой настройке OpenAI. Узнать больше об этом подходе также можно в исследовательских работах OpenAI. |
Теперь можно спрашивать Atlassian Intelligence о том, что вам нужно, обычным языком, а не придумывать сложные запросы. При поиске задач с помощью Atlassian Intelligence ваш запрос преобразуется в запрос JQL, который позволяет быстро найти конкретные задачи. По нашему мнению, функция поиска задач с помощью Atlassian Intelligence показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что из-за принципов работы моделей, используемых для поиска задач с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы обнаружили, что поиск задач с помощью Atlassian Intelligence может быть менее полезен в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Кроме того, рекомендуется отправлять Atlassian Intelligence максимально конкретные запросы. Обязательно точно указывайте искомые поля и значения. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при поиске задач с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
Для функции поиска задач с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Рекомендации по типам запросов в Jira Service Management
Предложение типов запросов с помощью Atlassian Intelligence работает на базе больших языковых моделей, разработанных OpenAI, включая модели OpenAI, описанные здесь. В Atlassian Intelligence эти модели используются для анализа входных данных на естественном языке и генерации на их основе рекомендаций по названиям и описаниям типов запросов в Jira Service Management. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Тратьте меньше времени на выяснение того, какие типы запросов нужно создать для проекта, пользуясь вариантами, предложенными Atlassian Intelligence. Просто опишите свою работу и то, чем обычно занимается команда, чтобы узнать, какие типы запросов могут быть актуальны. Выберите одно из предложений, сгенерированных Atlassian Intelligence, и создайте на его основе тип запроса. Подробнее о том, как получать предложения по типам запросов с помощью Atlassian Intelligence. По нашему мнению, функция выдачи предложений по типам запросов с помощью Atlassian Intelligence показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что из-за принципов работы моделей, используемых в Atlassian Intelligence для предложения типов запросов, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что использование Atlassian Intelligence для предложения типов запросов может быть менее полезно в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при получении предложений по типам запросов от Atlassian Intelligence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
Для функции выдачи предложений по типам запросов с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Сводка сведений о задаче в Jira Service Management
Формирование сводки сведений о задаче с помощью Atlassian Intelligence работает на базе больших языковых моделей, разработанных OpenAI, включая модели OpenAI, описанные здесь. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Вместо того чтобы читать длинные описания и многочисленные комментарии к задаче в Jira Service Management, вы можете использовать Atlassian Intelligence, чтобы быстро получить сводку этой информации. Это помогает агентам быстро понять контекст проблемы и достигнутый прогресс, чтобы принять срочные меры и оказать своевременную помощь. По нашему мнению, сводка сведений о задаче с помощью Atlassian Intelligence лучше всего подходит для следующих задач:
|
Важно помнить, что из-за принципов работы моделей, используемых для формирования сводки сведений о задаче с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что сводка сведений о задаче с помощью Atlassian Intelligence может быть менее полезна в следующих ситуациях:
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при резюмировании задачи с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
Формирование сводки сведений о задаче с помощью Atlassian Intelligence предусматривает следующие меры в отношении ваших данных.
|
Создавайте собственные формулы с помощью Atlassian Intelligence
Создание собственных формул с помощью Atlassian Intelligence основано на базе больших языковых моделей, разработанных OpenAI, включая модели, описанные здесь. Atlassian Intelligence использует эти модели для анализа естественного языка, а затем преобразует его в язык SQLite в Atlassian Analytics. Эти модели дают ответы по входным данным и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Не занимайтесь написанием выражений SQLite с нуля — поручите это Atlassian Intelligence. Задайте вопрос или опишите, как нужно преобразовать данные в таблице результатов, а ИИ переведет ваш запрос в выражение SQLite, которое будет использоваться для собственных формул. Получив вопрос, Atlassian Intelligence сгенерирует выражение SQLite на основе данных из таблицы результатов, полученной на предыдущем этапе в визуальном редакторе SQL. С его помощью затем будут производиться вычисления или операции над данными диаграммы. Вы также сможете лучше разобраться в функциях SQLite и их синтаксисе. Создание собственных формул с помощью Atlassian Intelligence показывает наилучшие результаты в следующих случаях.
|
При использовании собственных формул помните, что иногда модели, используемые в качестве основы для Atlassian Intelligence, могут давать неточные, неполные и недостоверные ответы. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы заметили, что в следующих случаях создание собственных формул с помощью Atlassian Intelligence может оказаться не таким эффективным.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при создании собственных формул с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в нашем Центре безопасности. Мы обрабатываем следующие данные.
Для возможности создания собственных формул с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных. Ваши запросы (ввод) и ответы (вывод):
OpenAI является субобработчиком из нашего списка субобработчиков. OpenAI не использует ваш ввод и вывод ни для каких целей, кроме обработки вашего запроса. |
Подробнее об Atlassian Intelligence
Узнать больше об использовании Atlassian Intelligence
Узнать, как использовать Atlassian Intelligence для поиска ответов в Confluence
Atlassian Intelligence и Rovo разработаны с заботой о прозрачности
Здесь отражена наша искренняя приверженность открытому общению, принятию обязательств и оказанию помощи командам в ответственном использовании AI.
Rovo
Выберите функцию Rovo ниже, чтобы получить наглядное представление о примерах использования и о том, как обрабатываются ваши данные.
Скоро будет доступно! |
Ускорьте работу с помощью ИИ
Выберите функцию Atlassian Intelligence ниже, чтобы получить наглядное представление о примерах использования и о том, как обрабатываются данные.
- ChatOps на базе ИИ для управления инцидентами
- Связанные ресурсы на базе ИИ
- Предложения AI
- Автоматизация
- Группировка оповещений
- Краткое изложение в Confluence
- Определение терминов
- Генеративный ИИ в редакторе
- Средство переформатирования задач
- Сводка сведений о задаче
- Краткое описание интеллектуальных ссылок
- Virtual Service Agent
- Сводка сведений о задаче на базе Atlassian Intelligence
- Разделение рабочих задач на базе ИИ
- ChatOps на базе ИИ для управления инцидентами
- Связанные ресурсы на базе ИИ
- Предложения AI
- Автоматизация
- Группировка оповещений
- Краткое изложение в Confluence
- Определение терминов
- Генеративный ИИ в редакторе
- Средство переформатирования задач
- Сводка сведений о задаче
- Краткое описание интеллектуальных ссылок
- Virtual Service Agent
- Сводка сведений о задаче на базе Atlassian Intelligence
- Разделение рабочих задач на базе ИИ
Автоматизация с помощью Atlassian Intelligence
Возможности ChatOps на базе ИИ для управления инцидентами работают на основе больших языковых моделей, разработанных OpenAI, а также ряда больших языковых моделей с открытым исходным кодом (включая серии Llama и Phi) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти большие языковые модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI или ознакомьтесь с исследовательскими работами OpenAI, описывающими этот подход. Подробнее о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
ChatOps на базе ИИ для управления инцидентами помогает пользователям разрешать инциденты быстрее. Когда новые пользователи присоединяются к каналу Slack, связанному с задачей по инциденту в Jira Service Management, ChatOps на базе ИИ вводит их в курс дела, предоставляя сводку по этому инциденту и всем обсуждениям, которые велись по его поводу до настоящего момента. Кроме того, ChatOps на базе ИИ может сохранять в Jira Service Management хронологию обсуждений из Slack для дальнейшего использования. По нашему мнению, ChatOps на базе ИИ для управления инцидентами показывает наилучшие результаты в следующих случаях.
|
Помните, что иногда модели, используемые для функционирования ChatOps на базе ИИ для управления инцидентами, могут выдавать неточный, неполный или ненадежный результат. Это обусловлено принципами их работы. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы обнаружили, что в следующих случаях ChatOps на базе ИИ может показать себя не так эффективно.
По этой причине рекомендуется подумать, в каких ситуациях будет уместно использовать ChatOps на базе ИИ для управления инцидентами, и проверять качество полученных ответов, прежде чем делиться ими с кем-либо. Возможно, также стоит проверить разграничение прав и проследить за тем, чтобы пользователям был предоставлен надлежащий уровень доступа к соответствующим каналам Slack и задачам, связанным с инцидентами. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при управлении инцидентами с помощью ChatOps на базе ИИ. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
В функции ChatOps на базе ИИ для управления инцидентами предусмотрены следующие меры в отношении ваших данных.
|
Связанные ресурсы на базе ИИ работают на основе больших языковых моделей, разработанных OpenAI, а также ряда больших языковых моделей с открытым исходным кодом (включая серии Llama и Phi) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI. С помощью этих моделей Atlassian Intelligence анализирует запросы и генерирует ответы на естественном языке в наших продуктах, а также предоставляет подходящие ответы на основе данных из Atlassian и подключенных сторонних решений. Эти большие языковые модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI или ознакомьтесь с исследовательскими работами OpenAI, описывающими этот подход. Подробнее о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Atlassian Intelligence позволяет пользователям ускорить процесс разрешения инцидентов, предлагая список справочных ресурсов из связанных разделов и статей в базе знаний, задач Jira, а также любых сторонних продуктов, интегрированных через Rovo (для клиентов этого решения). Подробнее о Rovo и сторонних инструментах. По нашему мнению, связанные ресурсы на базе ИИ показывают наилучшие результаты в следующих случаях.
|
Помните, что иногда модели, используемые для функционирования связанных ресурсов на базе ИИ, могут выдавать неточный, неполный или ненадежный результат. Это обусловлено принципами их работы. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы обнаружили, что в следующих случаях связанные ресурсы на базе ИИ могут показать себя не так эффективно.
По этой причине рекомендуется подумать, в каких ситуациях будет уместно использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с кем-либо. Подумайте также, целесообразно ли будет сделать следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при работе функции связанных ресурсов на базе ИИ. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
В функции связанных ресурсов на базе ИИ предусмотрены следующие меры в отношении ваших данных.
|
Предложения AI в Jira Service Management основываются на больших языковых моделях, разработанных OpenAI, и других моделях машинного обучения. К числу больших языковых моделей относится серия моделей GPT от OpenAI. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти большие языковые модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI. |
Благодаря предложениям AI в Jira Service Management команда может быстро собрать важную информацию о запросах на обслуживание и инцидентах и сразу включиться в работу. Atlassian Intelligence помогает команде в следующем:
Предложения AI в Jira Service Management также могут содержать рекомендацию для агентов эскалировать запрос или инцидент, если применимое соглашение SLA может быть нарушено. В случае запросов на обслуживание агентам может быть предложено эскалировать запрос, если модели, на основе которых формируются предложения, распознают по тексту комментариев автора ощущение срочности или гнев в связи с запросом. По нашему мнению, предложения AI в задачах Jira Service Management показывают наилучшие результаты в следующих случаях:
|
Важно помнить, что иногда модели, используемые при формировании предложений AI в задачах Jira Service Management, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами их работы. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы обнаружили, что предложения AI в Jira Service Management могут оказаться менее эффективными в следующих случаях:
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при формировании предложений AI в Jira Service Management. Этот раздел дополняет сведения, доступные в Atlassian Trust Center. Мы обрабатываем следующие данные.
При создании предложений AI предусмотрены следующие меры в отношении ваших данных.
|
Автоматизация с помощью Atlassian Intelligence выполняется на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Atlassian Intelligence использует эти модели, чтобы анализировать входные данные на естественном языке и создавать на их основе правила автоматизации в Jira и Confluence. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Создание правил лежит в основе повседневной работы с автоматизацией, и мы хотим упростить для вас эту задачу, добавив Atlassian Intelligence в конструктор правил автоматизации в Jira и Confluence. Теперь можно легко создавать правила автоматизации, просто описав, что вы хотите автоматизировать, а Atlassian Intelligence возьмет на себя самую трудную работу по созданию правила. Подробнее об использовании Atlassian Intelligence для автоматизации в Jira и Confluence. По нашему мнению, использование Atlassian Intelligence для автоматизации в Jira и Confluence дает наилучшие результаты в случаях, когда вы не знаете, с чего начать, или хотите ускорить процесс создания правил. Не знаете, как лучше создать правило автоматизации?Правила автоматизации создаются из сочетаний различных типов компонентов: триггеров, действий, условий и веток. Компоненты можно представить в виде кирпичиков, из которых строится правило. Чтобы создать правило с помощью Atlassian Intelligence, оно должно содержать как минимум один триггер и одно действие. Вот несколько примеров. Пример для Jira. Каждый понедельник находить все задания с датой выполнения в течение следующих 7 дней и отправлять исполнителю напоминание по электронной почте. Когда заявка будет передана на тестирование, назначить ее Ивану Петрову. Пример для Confluence.
Кроме того, правило можно создать, только если все его компоненты поддерживаются автоматизацией с помощью Atlassian Intelligence. Это означает, что любые триггеры, действия, условия или ветки в правиле должны быть совместимы с автоматизацией в Jira и (или) Confluence. |
Важно помнить, что из-за принципов работы моделей, используемых для работы автоматизации с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или недостоверные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы заметили, что автоматизация с помощью Atlassian Intelligence может быть менее полезна в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Автоматизация с помощью Atlassian Intelligence будет работать только с существующим набором доступных компонентов автоматизации в Jira и Confluence. Также рекомендуется отправлять Atlassian Intelligence максимально конкретные запросы, как описано выше. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при автоматизации с помощью Atlassian Intelligence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для функции автоматизации в Confluence с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса. Эта функция учитывает права доступа в вашем экземпляре. Например, если у вас нет доступа к определенному проекту или странице, в ответ не будет включен контент из этих активов. Если вы хотите ограничить доступность контента в ответах для других пользователей в вашем экземпляре, обратитесь к администратору организации, чтобы настроить права доступа соответствующим образом. |
Группировка оповещений
Atlassian Intelligence выполняет группировку оповещений на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. Эти модели включают алгоритм для выявления закономерностей в данных по оповещениям, а также серию моделей GPT от OpenAI, серию моделей Gemini от Google и серию моделей Claude от Anthropic. Сервис Atlassian Intelligence использует эти модели машинного обучения для анализа и группировки оповещений в наших продуктах по содержимому или тегам, а также для предоставления рекомендаций с учетом предыдущих групп оповещений и лиц, реагировавших на прошлые оповещения. Затем Atlassian Intelligence с помощью больших языковых моделей анализирует и генерирует описания и контент на естественном языке для этих групп в наших продуктах. Большие языковые модели генерируют ответы на основе ваших входных данных и являются вероятностными. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Сервис Atlassian Intelligence используется для выявления и группировки похожих оповещений. AI также помогает выявлять и рекомендовать предыдущие похожие группы оповещений и пользователей или команды, реагировавшие на прошлые оповещения, исходя из семантического сходства контента или тегов оповещений. Если вы захотите эскалировать группу оповещений до инцидента, функция группировки оповещений предварительно заполнит всю контекстную информацию, которую вы сможете просмотреть в процессе создания инцидента. По нашему мнению, группировка оповещений показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что иногда модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых для группировки оповещений. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. В случае с группами оповещений они могут неточно отражать семантическое сходство тегов. Мы обнаружили, что группировка оповещений может оказаться не так эффективна в следующих случаях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Стоит также подумать о выработке единых правил использования тегов в вашей команде. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при группировке оповещений. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Мы обрабатываем данные ваших оповещений, чтобы обучить версию модели машинного обучения распознавать закономерности, характерные именно для них. Эта версия используется только для вас.
Для функции группировки оповещений предусмотрены следующие меры в отношении ваших данных.
|
Atlassian Intelligence генерирует краткие изложения страниц на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Экономьте время и быстрее получайте сведения, необходимые для работы, формируя краткое изложение страниц или блогов Confluence с помощью Atlassian Intelligence. Подробнее об использовании Atlassian Intelligence в Confluence. По нашему мнению, функция краткого изложения страниц и блогов с помощью Atlassian Intelligence показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что из-за принципов работы моделей, используемых для формирования краткого изложения страниц и блогов с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Хотя мы продолжаем улучшать поддержку макросов, таблиц и раскрываемых разделов функцией краткого изложения, мы обнаружили, что краткое изложение страниц и блогов с помощью Atlassian Intelligence может быть менее полезным в следующих ситуациях.
Рекомендуем внимательно следить за случаями, когда вы используете Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при автоматизации в Confluence с помощью Atlassian Intelligence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для краткого изложения страниц и блогов с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Генерация определений для терминов с помощью Atlassian Intelligence
Atlassian Intelligence генерирует определения терминов в Confluence и Jira на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. С помощью этих моделей Atlassian Intelligence анализирует запросы и генерирует ответы на естественном языке в Confluence и Jira. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Иногда при ознакомлении с содержимым в Confluence и Jira одна из самых сложных задач — получить контекст, необходимый для понимания того, что вы читаете. Сокращения, аббревиатуры, незнакомые термины и названия, используемые в конкретных командах или проектах, могут затруднить поиск нужной информации. С помощью Atlassian Intelligence можно узнать определения для специализированных терминов компании (например, акронимов, названий проектов, систем или команд) на странице Confluence или в описании задачи в Jira. Таким образом пользователи могут получить необходимую информацию именно тогда, когда она им нужна, что способствует совместной работе команд. Atlassian Intelligence помогает экономить время, предоставляя нужные определения без необходимости переключаться с изучаемого документа. Если вы столкнулись с определением, которое, по вашему мнению, является неточным, вы можете отредактировать его или добавить новое, а затем настроить видимость определения для этой страницы, задачи, всего раздела или проекта, а также для доступа в рамках всей вашей организации. По нашему мнению, Atlassian Intelligence в Confluence и Jira лучше всего дает определения для терминов в следующих случаях.
|
Важно помнить, что из-за принципов работы моделей, используемых для генерации определений для терминов с помощью Atlassian Intelligence в Confluence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы заметили, что функция определения терминов с помощью Atlassian Intelligence в Confluence может быть менее полезной в следующих ситуациях.
Кроме того, мы обнаружили, что в Jira эта возможность будет работать только при наличии права на просмотр экземпляра Confluence на том же сайте, где находится ваш экземпляр Jira, поскольку генерация определений для терминов с помощью Atlassian Intelligence основана на поиске в Confluence. Вы также можете заметить, что генерация определений для терминов с помощью Atlassian Intelligence не работает должным образом в разделах Confluence или экземплярах Jira, в которых контент написан на нескольких языках. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при генерации определений для терминов с помощью Atlassian Intelligence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для функции генерации определений терминов с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Генеративный ИИ в редакторе
Взаимодействие с Atlassian Intelligence при редактировании работает на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Atlassian Intelligence помогает наладить коммуникацию между всеми командами организации для повышения эффективности, принятия более точных решений и совершенствования других процессов. По нашему мнению, функция редактирования с помощью Atlassian Intelligence показывает наилучшие результаты в следующих ситуациях.
|
Важно помнить, что из-за принципов работы моделей, используемых для редактирования с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы обнаружили, что функция редактирования с помощью Atlassian Intelligence может быть менее полезной в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при редактировании с помощью Atlassian Intelligence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для функции редактирования с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Средство переформатирования задач работает на основе больших языковых моделей, разработанных OpenAI, включая серию моделей GPT. Atlassian Intelligence использует эти модели для анализа и генерации ответов в Jira на естественном языке. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI. |
Средство переформатирования задач помогает сделать описания задач Jira более понятными путем их переформатирования с использованием шаблона Atlassian. В этот шаблон включены типы информации, которые обычно присутствуют в описании задачи Jira, такие как пользовательская история, контекст задачи и критерии приемки. По нашему мнению, средство переформатирования задач наиболее эффективно, когда описания задач уже содержат полезную информацию (например, критерии приемки или ссылки на источники), но эта информация не имеет четкой и единообразной структуры. |
Важно помнить, что иногда модели, используемые в средстве переформатирования задач, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципом их работы. Например, переформатированное описание может неточно отражать контент, на основе которого создано, или содержать сведения, которые кажутся правдоподобными, но на самом деле являются ложными или неполными. Мы обнаружили, что средство переформатирования задач может оказаться менее эффективным в следующих случаях:
Поэтому рекомендуем подумать о том, в каких случаях вы будете использовать Atlassian Intelligence, и всегда проверять качество полученных ответов, прежде чем поделиться ими с другими пользователями. Вам также следует убедиться, что описания задач содержат всю необходимую информацию, прежде чем переформатировать их с помощью средства переформатирования задач. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются в средстве переформатирования задач. Этот раздел дополняет сведения, доступные в Atlassian Trust Center. Мы обрабатываем следующие данные.
В средстве форматирования задач предусмотрены следующие меры в отношении ваших данных:
|
Сводка сведений о задаче в Jira Service Management
Atlassian Intelligence генерирует сводки сведений о задачах на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Вместо того чтобы читать длинные описания и многочисленные комментарии к задаче в Jira Service Management, вы можете использовать Atlassian Intelligence, чтобы быстро получить сводку этой информации. Это помогает агентам быстро понять контекст проблемы и достигнутый прогресс, чтобы принять срочные меры и оказать своевременную помощь. По нашему мнению, сводка сведений о задаче с помощью Atlassian Intelligence лучше всего подходит для следующих задач:
|
Важно помнить, что из-за принципов работы моделей, используемых для формирования сводки сведений о задаче с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что сводка сведений о задаче с помощью Atlassian Intelligence может быть менее полезна в следующих ситуациях:
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при резюмировании задачи с помощью Atlassian Intelligence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Формирование сводки сведений о задаче с помощью Atlassian Intelligence предусматривает следующие меры в отношении ваших данных.
|
Генеративный ИИ в редакторе
Atlassian Intelligence генерирует краткие описания интеллектуальных ссылок на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Когда вы наводите курсор на интеллектуальную ссылку из Jira, Confluence и Google Документов, Atlassian Intelligence может составить краткое описание контента, определить важность и значение ссылки и принять решение о дальнейших действиях. Благодаря этому необязательно покидать текущую страницу и переключаться между приложениями. По нашему мнению, краткие описания интеллектуальных ссылок на основе ИИ наиболее полезны в следующих случаях:
|
Важно! Иногда эти модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых в качестве основы при создании краткого описания интеллектуальной ссылки с помощью ИИ. Например, краткое описание может неточно отражать контент, на котором оно основано, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что в следующих случаях краткие описания интеллектуальных ссылок на основе ИИ могут показать себя не так эффективно:
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при резюмировании задачи с помощью Atlassian Intelligence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для функции создания краткого описания интеллектуальной ссылки с помощью ИИ предусмотрены следующие меры в отношении ваших данных.
|
Ответы Atlassian Intelligence в Jira Service Management
Виртуальный помощник в Jira Service Management работает на основе больших языковых моделей, разработанных OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (включая серии Llama, Phi и Mixtral) и других моделей машинного обучения. Виртуальный помощник использует эти модели следующим образом.
Как работают большие языковые модели. Большие языковые модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. В число больших языковых моделей, используемых виртуальным помощником, входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Виртуальный помощник помогает командам автоматизировать взаимодействие службы поддержки 1-го уровня с помощью диалогового движка Atlassian Intelligence, который анализирует и распознает намерения, контекст и права доступа для персонального подхода. Три ключевых возможности виртуального помощника на базе Atlassian Intelligence позволяют командам масштабировать службы поддержки и радовать клиентов:
Виртуального помощника можно использовать в нескольких каналах, включая Slack, Microsoft Teams, портал Jira Service Management и другие. Подробнее о том, какие каналы доступны виртуальному помощнику. По нашему мнению, виртуальный помощник показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что иногда модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых виртуальным помощником. Например, ответы могут неточно отражать контент, на котором они основаны, или могут включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы обнаружили, что в следующих случаях виртуальный помощник может показать себя не так эффективно.
Рекомендуем подумать, в каких случаях вы хотите использовать Atlassian Intelligence, и проверить результаты работы виртуального помощника, прежде чем включать его для клиентов. Подробнее об улучшении работы виртуального помощника. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут быть вопросы о том, как виртуальный помощник Jira Service Management использует ваши данные. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для виртуального помощника предусмотрены следующие меры в отношении ваших данных.
|
Сводка сведений о задаче на базе Atlassian Intelligence
Функция формирования сводки на базе ИИ в Jira основана на больших языковых моделях, разработанных OpenAI, включая модели, описанные здесь. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы составляются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
Вместо того чтобы читать длинные описания и многочисленные комментарии к задаче Jira, можно моментально получить сводку по этой информации с помощью Atlassian Intelligence. Благодаря этому агенты могут быстро понимать контекст проблемы и достигнутый прогресс, а также принимать срочные меры и оказывать своевременную помощь. По нашему мнению, лучше всего использовать Atlassian Intelligence для формирования сводок сведений о задачах с большим количеством комментариев и (или) с длинными комментариями и описаниями. |
Важно помнить, что иногда модели, используемые при формировании сводок на базе ИИ в Jira, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами их работы. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы обнаружили, что сводка сведений о задаче с помощью Atlassian Intelligence может быть менее полезна в следующих ситуациях:
По этой причине рекомендуется подумать, в каких ситуациях будет уместно использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с кем-либо. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при резюмировании задачи с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в Atlassian Trust Center. Мы обрабатываем следующие данные.
Формирование сводки сведений о задаче с помощью Atlassian Intelligence предусматривает следующие меры в отношении ваших данных.
|
Разделение рабочих задач на базе ИИ
Функция разделения задач на базе ИИ основана на больших языковых моделях, разработанных OpenAI. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI или ознакомьтесь с исследовательскими работами OpenAI, описывающими этот подход. |
Функция разделения задач на базе ИИ помогает разбить крупные блоки работы на более мелкие, предлагая варианты дочерних задач для созданной вами задачи Jira. При формировании резюме и описаний для дочерних задач ваша задача выступает в качестве контекста. По нашему мнению, функция разделения задач на базе ИИ показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что иногда модели, используемые при разделении задач на базе ИИ, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами их работы. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что в следующих случаях разделение задач на базе ИИ может оказаться не таким эффективным.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при разделении задач на базе ИИ. Этот раздел дополняет сведения, доступные в Atlassian Trust Center. Мы обрабатываем следующие данные.
При разделении задач на базе ИИ предусмотрены следующие меры в отношении ваших данных.
|
Двигайте работу вперед с помощью ИИ
Выберите функцию Atlassian Intelligence ниже, чтобы получить наглядное представление о примерах использования и о том, как обрабатываются данные.
Создание инцидентов с помощью Atlassian Intelligence работает на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы составляются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
При эскалации одного или нескольких оповещений или групп оповещений до инцидента в Jira Service Management функция создания инцидента с помощью ИИ использует Atlassian Intelligence, чтобы предварительно заполнить всю контекстную информацию. Благодаря этому пользователи могут быстро понять контекст инцидента, созданного на основе этих оповещений или групп оповещений, а также просмотреть и подтвердить предварительно заполненную информацию, включая название, описание и приоритет оповещения при эскалации его до инцидента. По нашему мнению, создание инцидентов с помощью ИИ наиболее полезно в следующих случаях.
|
Важно! Иногда эти модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых в качестве основы для функции создания инцидентов с помощью ИИ. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что в следующих случаях функция создания инцидентов с помощью ИИ может показать себя не так эффективно.
По этим причинам рекомендуем подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Для получения наиболее полезных результатов рекомендуем отправлять Atlassian Intelligence максимально конкретные запросы. Кроме того, рекомендуется отправлять Atlassian Intelligence максимально конкретные запросы. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при работе функции создания инцидентов с помощью ИИ. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для функции создания инцидентов с помощью ИИ предусмотрены следующие меры в отношении ваших данных.
|
Создать разбор инцидента
Создание PIR (разбора инцидента) с помощью Atlassian Intelligence основано на больших языковых моделях, разработанных OpenAI. Они включают в себя серию моделей OpenAI GPT. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI. |
PIR — это неотъемлемая составляющая процесса управления инцидентами, помогающая командам реагирования и менеджерам учиться на текущих инцидентах и передавать информацию для предотвращения подобного в будущем. Как правило, процесс составления PIR достаточно трудоемок. Atlassian Intelligence ускоряет его, предлагая описания на основе значимой контекстной информации, содержащейся в вашем экземпляре Jira Service Management и чатах типа Slack. Мы считаем, что создание PIR с помощью ИИ лучше всего работает в следующих ситуациях.
|
Важно понимать, что иногда модели, используемые в качестве основы для создания PIR, могут выдавать неточный, неполный или ненадежный результат. Это обусловлено принципами их работы. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы обнаружили, что в следующих случаях создание PIR с помощью ИИ может показать себя не так эффективно.
По этой причине мы рекомендуем подумать, в каких ситуациях вы сможете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при работе функции создания разборов инцидентов с помощью ИИ. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для функции создания PIR с помощью ИИ предусмотрены следующие меры в отношении ваших данных.
|
Составляйте описания для запросов pull с помощью Atlassian Intelligence
Atlassian Intelligence генерирует описания для запросов pull на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. С помощью этих моделей решение Atlassian Intelligence анализирует и создает в наших продуктах ответы на естественном языке и программный код. Эти модели дают ответы по входным данным и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
С помощью Atlassian Intelligence можно создавать, преобразовывать и обобщать описания запросов pull или комментарии в режиме проверки программного кода в Bitbucket Cloud. Доступны следующие возможности:
Мы считаем, что функция составления описаний для запросов pull в Bitbucket Cloud с помощью Atlassian Intelligence приносит наибольшую пользу в следующих случаях:
|
Важно! Иногда эти модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых в качестве основы для описанных функций Atlassian Intelligence. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы выяснили, что функция составления описаний для запросов pull в Bitbucket Cloud с помощью Atlassian Intelligence может принести меньше пользы, чем обычно, в следующих случаях:
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при определении терминов с помощью Atlassian Intelligence в Confluence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
При составлении описаний для запросов pull с помощью Atlassian Intelligence ваши данные:
|
Генерация SQL-запросов в Atlassian Analytics
Atlassian Intelligence генерирует запросы SQL в Atlassian Analytics на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Atlassian Intelligence использует эти модели для анализа естественного языка, а затем преобразует его в язык Structured Query Language (SQL) в Atlassian Analytics. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Задайте Atlassian Intelligence вопрос на естественном языке и преобразуйте его в SQL, вместо того чтобы писать собственные SQL-запросы с нуля. После того как вы зададите вопрос, Atlassian Intelligence использует схему Atlassian Data Lake выбранного источника данных для создания SQL-запроса, который можно использовать для построения диаграмм на дашбоардах Atlassian Analytics, а также для ознакомления со схемой в озере данных. По нашему мнению, функция генерации SQL-запросов с помощью Atlassian Intelligence показывает наилучшие результаты в следующих случаях.
Не знаете, какие вопросы задать?Вот несколько вариантов.
|
Важно помнить, что из-за принципов работы моделей, используемых для генерации SQL-запросов с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы заметили, что генерация SQL-запросов с помощью Atlassian Intelligence может быть менее полезна в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при генерации SQL-запросов с помощью Atlassian Intelligence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
При генерации SQL-запросов с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Поиск ответов в Confluence
Поиск ответов в Confluence с помощью Atlassian Intelligence работает на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Базы знаний растут слишком быстро, чтобы пользователи могли за ними угнаться. Поиск ответов в Confluence с помощью Atlassian Intelligence позволяет быстро получать ключевую информацию, которая необходима клиентам для продуктивной работы. Эта функция поможет без труда находить нужные сведения. Atlassian Intelligence понимает вопросы, которые вы могли бы задать коллеге, и мгновенно отвечает на них. Подробнее о том, как использовать Atlassian Intelligence для поиска ответов в Confluence. По нашему мнению, функция поиска ответов в Confluence с помощью Atlassian Intelligence показывает наилучшие результаты, когда ваш сайт Confluence полон подробного, полного и актуального контента. Эта функция не генерирует новый контент, а ищет ответ на вопрос на страницах и в блогах Confluence (с учетом ограничений). Atlassian Intelligence генерирует ответы исключительно на основе того, что есть в экземпляре Confluence и к чему конкретно у вас есть доступ. Не знаете, какие вопросы задать?Вот несколько вариантов.
|
Мы понимаем, что у вас могут возникнуть вопросы по поводу того, как используются ваши данные при поиске ответов в Confluence с помощью Atlassian Intelligence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Поиск ответов в Confluence с помощью Atlassian Intelligence предусматривает следующие меры в отношении ваших данных.
|
Поиск задач в Jira
Поиск задач в Jira с помощью Atlassian Intelligence работает на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Atlassian Intelligence использует эти модели для анализа естественного языка, а затем преобразует его в код Jira Query Language (JQL) в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Теперь можно спрашивать Atlassian Intelligence о том, что вам нужно, обычным языком, а не придумывать сложные запросы. При поиске задач с помощью Atlassian Intelligence ваш запрос преобразуется в запрос JQL, который позволяет быстро найти конкретные задачи. По нашему мнению, функция поиска задач с помощью Atlassian Intelligence показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что из-за принципов работы моделей, используемых для поиска задач с помощью Atlassian Intelligence, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным. Мы обнаружили, что поиск задач с помощью Atlassian Intelligence может быть менее полезен в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Кроме того, рекомендуется отправлять Atlassian Intelligence максимально конкретные запросы. Обязательно точно указывайте искомые поля и значения. |
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при поиске задач с помощью Atlassian Intelligence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для функции поиска задач с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|
Разделение рабочих задач на базе ИИ
Функция разделения задач на базе ИИ основана на больших языковых моделях, разработанных OpenAI. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI или ознакомьтесь с исследовательскими работами OpenAI, описывающими этот подход. |
Функция разделения задач на базе ИИ помогает разбить крупные блоки работы на более мелкие, предлагая варианты дочерних задач для созданной вами задачи Jira. При формировании резюме и описаний для дочерних задач ваша задача выступает в качестве контекста. По нашему мнению, функция разделения задач на базе ИИ показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что иногда модели, используемые при разделении задач на базе ИИ, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами их работы. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что в следующих случаях разделение задач на базе ИИ может оказаться не таким эффективным.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при разделении задач на базе ИИ. Этот раздел дополняет сведения, доступные в Atlassian Trust Center. Мы обрабатываем следующие данные.
При разделении задач на базе ИИ предусмотрены следующие меры в отношении ваших данных.
|
Suggested topics in knowledge base is powered by large language models developed by OpenAI and Anthropic, as well as a combination of open-source transformer-based language models and other machine learning models. These large language models include OpenAI’s GPT series of models and Anthropic’s Claude series of models. Atlassian Intelligence uses these models to analyze and generate natural language within our products. The open-source encoder models convert your textual inputs into numerical forms (embeddings) which are used for identifying and forming topics from your inputs. Эти большие языковые модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Read more about the capabilities of OpenAI’s models and Anthropic’s models. For more information on open-source language models, see information on Multi-QA-miniLM and E5-Multilingual. |
This feature helps admins and agents understand the gaps in their knowledge base by analyzing the service requests received in a project. This feature clearly highlights the topics for which help seekers are raising requests (based on data in the last 30 days) but there’s no existing knowledge. By suggesting topics, we want to give project admins and agents visibility into how many requests can be deflected or at least resolved with knowledge. We believe that increasing the number of knowledge articles will influence the performance of other features in Jira Service Management such as Virtual Service Agent’s AI answers. When admins or agents create articles on the suggested topics, it can also help improve the resolution rate of requests resolved using AI answers. We believe that suggested topics work best in scenarios where:
|
It’s important to remember that because of the way that the models used to power suggested topics in knowledge base work, these models can sometimes behave in ways that are inaccurate, incomplete or unreliable. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. We’ve found that suggested topics in knowledge base is less useful in scenarios where:
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
We understand you may have questions about how suggested topics uses your data. This section supplements the information available on our Trust Center. Мы обрабатываем следующие данные.
When it comes to your data, suggested topics in knowledge base applies the following measures. Your suggested topics in knowledge base:
|
Анализируйте данные мгновенно
Выберите функцию Atlassian Intelligence ниже, чтобы получить наглядное представление о примерах использования и о том, как обрабатываются данные.
Аналитика диаграмм
Функция Chart Insights работает на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Аналитика диаграмм на базе Atlassian Intelligence поможет быстрее разобраться в данных на любой диаграмме в Atlassian Analytics. На основе названий дашбоарда и диаграммы, а также данных диаграммы (включая заголовки столбцов и значения строк) создается краткое описание диаграммы и показанных на ней данных на естественном языке. Также эта функция будет выявлять тенденции и аномалии в данных и предоставлять вам определенные выводы по диаграмме. По нашему мнению, аналитика диаграмм показывает наилучшие результаты в следующих случаях.
Эта функция лучше всего подходит для столбиковых диаграмм, линейных графиков и их сочетаний, так как они обычно отражают тенденции, содержат даты и множество строк данных. |
Важно! Иногда эти модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых в качестве основы для описанных функций аналитики диаграмм. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что в следующих случаях функция аналитики диаграмм может показать себя не так эффективно.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при работе функции аналитики диаграмм. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для функции аналитики диаграмм предусмотрены следующие меры в отношении ваших данных.
|
Рекомендации по типам запросов в Jira Service Management
Atlassian Intelligence генерирует предложения по типам запросов на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic. В Atlassian Intelligence эти модели используются для анализа входных данных на естественном языке и генерации на их основе рекомендаций по названиям и описаниям типов запросов в Jira Service Management. Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение. Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi. |
Тратьте меньше времени на выяснение того, какие типы запросов нужно создать для проекта, пользуясь вариантами, предложенными Atlassian Intelligence. Просто опишите свою работу и то, чем обычно занимается команда, чтобы узнать, какие типы запросов могут быть актуальны. Выберите одно из предложений, сгенерированных Atlassian Intelligence, и создайте на его основе тип запроса. Подробнее о том, как получать предложения по типам запросов с помощью Atlassian Intelligence. По нашему мнению, функция выдачи предложений по типам запросов с помощью Atlassian Intelligence показывает наилучшие результаты в следующих случаях.
|
Важно помнить, что из-за принципов работы моделей, используемых в Atlassian Intelligence для предложения типов запросов, иногда эти модели могут давать неточные, неполные или ненадежные результаты. Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным. Мы обнаружили, что использование Atlassian Intelligence для предложения типов запросов может быть менее полезно в следующих ситуациях.
По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими. Также стоит учесть следующее.
|
Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при получении предложений по типам запросов от Atlassian Intelligence. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов. Мы обрабатываем следующие данные.
Для функции выдачи предложений по типам запросов с помощью Atlassian Intelligence предусмотрены следующие меры в отношении ваших данных.
|