Rovo is ontworpen voor transparantie

De functies van AI ChatOps voor incidentmanagement worden mogelijk gemaakt door grote taalmodellen (LLM's) die zijn ontwikkeld door OpenAI, evenals een combinatie van open source LLM's (waaronder de Llama-serie) en andere modellen met zelflerende systemen. Deze grote taalmodellen omvatten modellen uit de GPT-reeks van OpenAI.

Rovo gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren.

Deze large language models genereren reacties op basis van jouw input en zijn op waarschijnlijkheden berust. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van OpenAI-modellen, of over deze aanpak, in de onderzoekspapers van OpenAI. Raadpleeg voor meer informatie over open source taalmodellen de informatie over de Llama-serie.

Met AI ChatOps voor incidentmanagement kunnen je gebruikers het proces voor incidentoplossing versnellen door nieuwe gebruikers een samenvatting te geven van het relevante incident en alle gesprekken daarover tot nu toe. Gebruikers krijgen deze informatie wanneer ze worden toegevoegd aan het Slack-kanaal dat is gekoppeld aan het incidentwerkitem in Jira Service Management. Bovendien kan AI ChatOps voor incidentmanagement de gesprekken uit Slack in Jira Service Management loggen als tijdlijn voor toekomstig gebruik.

Wij zijn van mening dat AI ChatOps voor incidentmanagement het beste werkt in situaties waarin:

• Je organisatie Slack gebruikt als primaire tool voor samenwerking om incidenten op te sporen en op te lossen.

• Je organisatie een protocol volgt voor het documenteren van incidentgerelateerde gesprekken binnen het incidentwerkitem in Jira Service Management.

Vergeet niet dat vanwege de manier waarop de modellen worden gebruikt om AI ChatOps voor incidentmanagement aan te drijven, deze modellen soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn. De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat AI ChatOps voor incidentmanagement minder nuttig is in situaties waarin:

• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.

• Je Slack niet gebruikt als de belangrijkste tool voor samenwerking in je organisatie om incidenten op te sporen en op te lossen.

• Je team geen toegang heeft tot het incidentwerkitem in Jira Service Management of het Slack-kanaal dat gekoppeld is aan het incidentwerkitem die wordt getest.

Daarom willen we je aansporen om na te denken over de situaties waarin je AI ChatOps voor incidentmanagement gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de reacties die je krijgt voordat je deze met anderen deelt.

Je kunt overwegen om de rechten te herzien om ervoor te zorgen dat gebruikers voldoende toegang hebben tot relevante incidentwerkitems en Slack-kanalen.

We begrijpen dat je misschien vragen hebt over hoe AI ChatOps voor incidentmanagement je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is op onze Pagina met veelgestelde vragen.

We verwerken:

• je vragen (inputs) en antwoorden (outputs)

• Context van je installatie die relevant is voor je prompt, zoals incidentgegevens en berichten in je verbonden Slack-kanalen.

• gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt

• De feedback die je verstrekt over deze functie, inclusief eventuele vragen of antwoorden die je wilt delen als onderdeel van je feedback.

Wat je gegevens betreft past AI ChatOps voor incidentmanagement de volgende maatregelen toe:

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.
  • Worden niet naar een andere externe LLM-provider naast OpenAI verzonden.
  • Worden niet opgeslagen door OpenAI.
  • Ze worden niet gebruikt om OpenAI of een andere externe LLM-provider te verbeteren.
  • worden alleen gebruikt om je ervaring te verbeteren
• OpenAI is een subverwerker die op onze pagina met subverwerkers staat. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie gebruikt de rechten van je product. Als je bijvoorbeeld geen toegang hebt tot een incidentwerkitem, kun je niet genoeg context vinden wanneer je AI ChatOps voor incidentmanagement gebruikt. Als je niet wilt dat je inhoud beschikbaar is als antwoord op vragen van andere gebruikers van je product, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

AI-concepten worden mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en Anthropic, evenals een combinatie van open-source, op transformatoren gebaseerde taalmodellen en andere modellen voor een zelflerend systeem. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI en de Claude-serie van Anthropic.

Rovo gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren. De open source versleutelingsmodellen zetten je tekstuele invoer om in numerieke vormen (integraties) die worden gebruikt om onderwerpen te identificeren en te vormen op basis van je invoer.

Deze large language models genereren reacties op basis van jouw input en zijn op waarschijnlijkheden berust. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Anthropic. Raadpleeg de informatie over de insluitingsmodellen voor meer informatie over open source taalmodellen.

AI-concepten suggereren vooraf gegenereerde concepten van kennisartikelen die je beheerders en agents kunnen overwegen. Deze functie genereert concepten voor de meest voorkomende werkitems in een Jira Service Management-project, waarbij gebruik wordt gemaakt van de gegevens en opmerkingen in de werkitems in dat project.

Hierdoor kunnen je serviceteams sneller en gemakkelijker meer artikelen uit je kennisdatabase behandelen, wat op zijn beurt de prestaties van andere functies in Jira Service Management ten goede zal komen. Kennisartikelen die zijn aangemaakt met AI-concepten kunnen vervolgens worden gebruikt door de functie AI-antwoorden van de virtuele serviceagent om aanvragen van je hulpzoekers gemakkelijker en sneller op te lossen.

Lees meer over AI-antwoorden voor een virtuele serviceagent.

We zijn van mening dat AI-concepten het beste werken in situaties waarbij:

• Je project meer dan 40 aanvragen per maand ontvangt. Projecten met minder dan 40 aanvragen bevatten mogelijk niet genoeg informatie om AI-concepten te genereren.
• De inhoud van werkitems, zoals de samenvatting, omschrijving en andere velden, voornamelijk in het Engels is. De kwaliteit van de AI-concepten kan per taal verschillen.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van AI-concepten te ondersteunen, soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat AI-concepten minder nuttig zijn in situaties waarbij:

• Je project minder dan 40 aanvragen in een maand ontvangt.
• Je automatisch aanvragen aanmaakt op basis van waarschuwingen, omdat daarvoor misschien geen artikel in de kennisdatabase nodig is, maar deze functie zal je nog steeds AI-concepten voorstellen met betrekking tot die aanvragen.
• Je concepten nodig hebt voor werkitems waarvan de inhoud in andere talen dan het Engels is.

Daarom willen we je aansporen om na te denken over de situaties waarin je Rovo gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

Je kunt ook het volgende overwegen:

• Maatregelen nemen om ervoor te zorgen dat je teamleden AI-concepten grondig doornemen voordat ze overgaan tot het aanmaken van kennisartikelen op basis daarvan
• Je projectbeheerders vragen om experts binnen hun teams te identificeren die verantwoordelijk zijn voor het beoordelen en bewerken van AI-concepten om hoogwaardige artikelen in de kennisdatabase bij te houden

We begrijpen dat je misschien vragen hebt over hoe AI-concepten je gegevens gebruiken. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken het volgende:

• Je prompts (inputs) en antwoorden (outputs).
• Context van je installatie die relevant is voor de functie, zoals gegevens in een werkitem zoals veldwaarden, de samenvatting en omschrijving om concepten te genereren met behulp van Rovo.
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt.
• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

Met betrekking tot je gegevens passen AI-concepten de volgende maatregelen toe.

• Je prompts (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten
  • Worden niet naar een andere externe LLM-provider naast OpenAI of Anthropic op AWS Bedrock verzonden.
  • Worden niet door LLM-providers opgeslagen.
  • Worden niet gebruikt om externe LLM's te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• OpenAI en AWS Bedrock zijn allebei subverwerkers die op onze lijst van subverwerkers staan. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• We verwerken alleen werkitems die toegankelijk zijn voor iedereen in een serviceproject op je site. Problemen met de toegekende rechten voor werkitems worden niet in acht genomen bij het genereren van concepten.
• We vernieuwen AI-concepten elke 7 dagen om ervoor te zorgen dat de inhoud actueel is.

Meer informatie over het gebruik van Rovo

AI-samenvattingen in bedrijfshubkaarten worden mogelijk gemaakt door de grote taalmodellen die zijn ontwikkeld door OpenAI. Deze grote taalmodellen omvatten modellen uit de GPT-reeks van OpenAI.

Rovo gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Ontdek meer informatie over de mogelijkheden van de modellen van OpenAI.

Met AI-samenvattingen in bedrijfshubkaarten kun je snel je bedrijfshub vullen en publiceren. Ook stelt deze door AI gegenereerde omschrijvingen voor kaarten voor. Deze functie maakt gebruik van AI om een samenvatting te genereren van de gekoppelde Confluence-pagina of blogpost voor je bedrijfshubkaart.

We zijn van mening dat AI-samenvattingen in bedrijfshubkaarten het beste werken in scenario's waarin:

• Je graag bedrijfshubkaarten gebruikt om te linken naar inhoud die veel tekst bevat.
• Je op zoek bent naar een beknopte samenvatting van Confluence-inhoud met veel tekst om te worden weergegeven in de omschrijvingen van Confluence-kaarten.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om AI-samenvattingen in bedrijfshubkaarten mogelijk te maken soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat AI-samenvattingen in bedrijfshubkaarten minder nuttig zijn in scenario's waarin:

• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• Je een samenvatting nodig hebt van een zeer korte Confluence-pagina met te weinig inhoud voor het genereren van een nuttige samenvatting.
• je een samenvatting nodig hebt van een Confluence-pagina waarop de meeste inhoud in tabellen staat of kan worden uitgevouwen;
• je een samenvatting nodig hebt van een Confluence-pagina met de meeste inhoud in macro's.

Daarom willen we je aansporen om na te denken over de situaties waarin je Rovo gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

We begrijpen dat je misschien vragen hebt over hoe je gegevens worden gebruikt bij AI-samenvattingen in bedrijfshubkaarten. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken het volgende:

• Je prompts (inputs) en antwoorden (outputs).
• Context uit je installatie die relevant is voor je vraag, zoals de inhoud van de Confluence-pagina die je wilt samenvatten.
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt.
• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

Met betrekking tot je gegevens past AI-samenvattingen in bedrijfshubkaarten de volgende maatregelen toe.

• Je prompts (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.
  • Worden niet naar een andere externe LLM-provider naast OpenAI verzonden.
  • Worden door geen enkele LLM-provider opgeslagen.
  • Worden niet gebruikt om grote taalmodellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• OpenAI is een subverwerker die op onze lijst van subverwerkers staat. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie. Als je bijvoorbeeld geen toegang hebt tot een Confluence-pagina, kun je deze functie niet gebruiken om een samenvatting op te halen met behulp van Rovo. Als je niet wilt dat je inhoud beschikbaar is voor andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Meer informatie over het gebruik van Rovo

Rovo Dev wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en Anthropic op AWS Bedrock en Anthropic op Google Vertex AI, evenals een combinatie van andere modellen zelflerende systemen. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI en de Claude-serie van Anthropic.

Rovo Dev gebruikt deze modellen om natuurlijke taal en code in onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Anthropic.

Rovo Dev is een contextbewuste AI-agent voor professionele software-engineers. Het begrijpt natuurlijke taal en code en kan worden geïntegreerd met Atlassian-tools zoals Jira, Confluence en Bitbucket en met ontwikkelaarsplatforms van derden, zoals GitHub. Het wordt mogelijk gemaakt door de Teamwork Graph van Atlassian en is gebaseerd op de context van de organisatie, kennis van het bedrijf en de geschiedenis van de codebasis om de levenscyclus van softwareontwikkeling te versnellen. Rovo Dev helpt bij het plannen, genereren van code, beoordelen en het automatiseren van repetitief werk op grote schaal.

De Rovo Dev-productsuite bevat:

• Rovo Dev in Bitbucket en GitHub: Rovo Dev integreert met zowel Bitbucket als GitHub om pull requests te vergelijken met zowel technische vereisten als zakelijke doelstellingen. Het helpt je om potentiële problemen te detecteren voordat ze in productie komen en controleert of codewijzigingen in overeenstemming zijn met de acceptatiecriteria van Jira, waardoor de beoordelingscycli worden verkort en herbewerking wordt voorkomen.

• Rovo Dev CLI: Rovo Dev CLI brengt Rovo Dev rechtstreeks naar je opdrachtregelinterface, waardoor je terminal een AI-ontwikkelingsagent wordt die naadloos is geïntegreerd met je Atlassian-workflow.

Wij zijn van mening dat Rovo Dev het beste werkt in de volgende situaties:

• Je hebt hulp nodig bij coderingstaken, zoals het schrijven van nieuwe code, het debuggen van bestaande code of het begrijpen van complexe codebases.
• Je wilt geautomatiseerde feedback over codecontrole via pull requests, om potentiële problemen op te sporen en de kwaliteit van de code te verbeteren.
• Je hebt hulp nodig bij veelvoorkomende ontwikkeltaken zoals refactoren, testen of documenteren
• Je wilt Jira-werkitems efficiënter afhandelen door codewijzigingen in gekoppelde repository's te automatiseren.
• Je ontwikkelteam wil consistente coderingsnormen en best practices handhaven.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van Rovo Dev te ondersteunen, soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat Rovo Dev minder nuttig is in situaties waarbij:

• Je hebt actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten die niet aanwezig zijn in je codebase, ontwikkelingscontext of bereikbare Atlassian-inhoud zoals Confluence-pagina's of Jira-issues.
• Je hebt Rovo Dev nodig om toegang te krijgen tot informatie die niet direct beschikbaar is in je repository, ontwikkelomgeving of gekoppelde Atlassian-tools.
• Je hebt perfecte nauwkeurigheid nodig voor veiligheidskritieke of beveiligingsgevoelige code zonder menselijke beoordeling, aangezien Rovo Dev in deze scenario's niet mag worden gebruikt.
• Je werkt met gepatenteerde of zeer vertrouwelijke codepatronen die geen deel uitmaakten van de trainingsgegevens van het model. Misschien is Rovo Dev niet nuttig als je werkt met zeer nieuwe technologieën die niet zijn opgenomen in de trainingsgegevens van het model, aangezien Rovo Dev mogelijk niet beschikt over voldoende context voor die technologieën om bruikbare resultaten te leveren.
• Rovo Dev mag niet worden gebruikt als de enige methode voor veiligheidsbeoordelingen, nalevingscontroles of in situaties waarin de juistheid van de code cruciaal is voor de veiligheid of wettelijke vereisten, zonder gepast menselijk toezicht.

• Daarom willen we je aansporen om na te denken over de situaties waarin je Rovo Dev gebruikt. Ook raden we je aan de kwaliteit van de antwoorden die je krijgt te beoordelen voordat je ze deelt met anderen.

Je kunt ook het volgende overwegen:

• Wees zo specifiek mogelijk als je Rovo Dev vraagt iets te doen; geef een duidelijke context bij je codebase en vereisten.
• Controleer en test alle door Rovo Dev voorgestelde codewijzigingen voordat je ze commit in je repository.
• Zorg dat de juiste rechten en toegangscontroles zijn geconfigureerd voor je ontwikkelomgeving.
• Houd je repository-documentatie en codeopmerkingen up-to-date om een betere context te bieden voor AI-ondersteuning.
• Gebruik Rovo Dev als een samenwerkingstool naast menselijke codecontrole in plaats van als vervanging daarvan.

We begrijpen dat je misschien vragen hebt over hoe Rovo Dev je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is op onze Rovo Dev-pagina.

We verwerken het volgende:

• Je prompts (invoer) en reacties (uitvoer) bij interactie met Rovo Dev
• Context uit je ontwikkelomgeving die relevant is voor je prompt, zoals codebestanden en pull requests in Bitbucket, Jira-werkitems, inhoud van verbonden externe apps zoals Github of verbonden MCP-servers, of lokale bestanden op je apparaat (als je RovoDev CLI gebruikt)
• Gegevens over hoe je omgaat met onze functies, zoals gebruikspatronen van opdrachten en de ontwikkeltools waarmee je werkt

• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of reacties die je wilt delen als onderdeel van je feedback

Wat je gegevens betreft, past Rovo Dev de volgende maatregelen toe:

Je prompts (invoeren) en reacties (uitvoeren):

• Zijn niet beschikbaar voor andere klanten
• Worden niet naar een andere externe LLM-provider gestuurd dan OpenAI, Google of Anthropic op AWS Bedrock
• Worden niet opgeslagen door OpenAI, Google Vertex AI of Anthropic op AWS Bedrock
• Worden niet gebruikt om OpenAI- of Antropic-modellen te verbeteren

• worden alleen gebruikt om je ervaring te verbeteren

Externe verwerking:

• OpenAI, Google Vertex AI en Amazon Web Services (AWS Bedrock) zijn subverwerkers op onze lijst met subverwerkers. Deze verwerkers gebruiken je in- en uitvoer alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.

Rechten en toegang:

• Rovo Dev volgt de rechten in je ontwikkelomgeving en verbonden Atlassian-tools. Als je bijvoorbeeld geen toegang hebt tot bepaalde repository's of Jira-projecten, heeft Rovo Dev geen toegang tot inhoud van die bronnen bij het genereren van reacties.
• Als je niet wilt dat je code of inhoud beschikbaar is in de antwoorden aan andere gebruikers binnen je organisatie, overleg dan met je systeembeheerders om te zorgen dat je rechten en toegangscontroles juist zijn ingesteld.

• In Rovo Dev CLI kunnen gebruikers externe Model Context Protocol-servers (MCP-servers) toevoegen om Rovo Dev toegang te geven tot externe inhoud. Voor integratie met een externe MCP-server is altijd goedkeuring vereist van je gebruiker, moet je altijd zorgen dat je voldoet aan de gebruiksvoorwaarden van de externe partij. Gebruikers kunnen prompts invoeren om gegevens te verzenden naar buiten je Atlassian-site, en gegevens die naar buiten je site worden verzonden zijn niet onderworpen aan de voorwaarden van Atlassian.

Meer informatie over het gebruik van Rovo Dev

Rovo Dev-communitygroep

Pagina's en blogs samenvatten met behulp van AI wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en Google. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI en de Gemini-serie van Google.

Rovo gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Google.

Bespaar tijd en verkrijg de informatie die je nodig hebt om je werk sneller te doen door een korte samenvatting van een Confluence-pagina of -blog te genereren met behulp van AI. Meer informatie over het gebruik van AI in Confluence.

Wij zijn van mening dat het samenvatten van pagina's en blogs met behulp van Rovo het beste werkt in de volgende scenario's:

• er een pagina is met veel tekst die vijf minuten of langer duurt om te lezen;
• er veel geschreven inhoud is met beperkt beeldmateriaal en/of andere opmaak zoals uitgevouwen tekst op een pagina.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om pagina's en blogs samen te vatten met behulp van AI soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

Bij ons voortdurende werk aan een betere ondersteuning voor macro's, tabellen en uitbreidingen in samenvattingen, hebben we gemerkt dat het samenvatten van pagina's en blogs met behulp van Rovo minder zinvol is in de volgende scenario's:

• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• je een samenvatting nodig hebt van een zeer korte Confluence-pagina met niet genoeg inhoud;
• je een samenvatting nodig hebt van een Confluence-pagina waarop de meeste inhoud in tabellen staat of kan worden uitgevouwen;
• je een samenvatting nodig hebt van een Confluence-pagina met de meeste inhoud in macro's.

We adviseren je om na te denken over de situaties waarin je Rovo gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

Je kunt ook het volgende overwegen:

• Rovo vragen om pagina's samen te vatten waarvan je weet dat ze veel tekst bevatten.

We begrijpen dat je misschien vragen hebt over hoe AI voor Confluence-automatisering je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is op onze pagina met veelgestelde vragen.

We verwerken het volgende:

• Je vragen (inputs) en antwoorden (outputs).

• Context uit je installatie die relevant is voor je vraag, zoals de inhoud van de Confluence-pagina die je wilt samenvatten.

• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt

• Feedback die je verstrekt over deze functie, inclusief eventuele vragen of antwoorden die je wilt delen als onderdeel van je feedback.

Als het op je gegevens aankomt, worden de volgende maatregelen toegepast als je Rovo gebruikt voor het samenvatten van pagina's en blogs:

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.
  • Worden niet naar een andere externe LLM-provider naast OpenAI of Google verzonden.

  • Worden niet door LLM-leveranciers opgeslagen.

  • Worden niet gebruikt om LLM-modellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• Alle externe LLM-providers zijn subverwerkers en worden zo vermeld op onze pagina Subverwerkers. Deze verwerkers gebruiken je in- en uitvoer alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie. Als je bijvoorbeeld geen toegang hebt tot een Confluence-pagina, krijg je deze functie niet te zien en kun je deze pagina niet samenvatten met behulp van Rovo. Als je niet wilt dat je inhoud beschikbaar is voor andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Het definiëren van termen met Rovo in Confluence en Jira wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI, Google en Anthropic, evenals een combinatie van open source grote taalmodellen (waaronder de Llama-serie en de Mixtral-serie) en andere modellen voor zelflerende systemen. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI, modellen uit de Gemini-serie van Google en modellen uit de Claude-serie van Anthropic.

Rovo gebruikt deze modellen voor analyse en om antwoorden in natuurlijke taal te genereren in Confluence en Jira.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van OpenAI-modellen, Google-modellen en Anthropic-modellen. Raadpleeg voor meer informatie over open source taalmodellen de informatie over de Llama-serie.

Een van de moeilijkste dingen aan het consumeren van inhoud in Confluence en Jira is het verkrijgen van de context die je nodig hebt om te begrijpen wat je leest. Afkortingen, acroniemen, onbekende termen en team- of projectspecifieke namen kunnen leiden tot een lange zoektocht naar de informatie die je nodig hebt.

Als je termen definieert met Rovo, krijg je de definitie van bedrijfsspecifieke termen (zoals acroniemen en namen van projecten, systemen of teams) op een pagina in Confluence of in een beschrijving van een werkitem in Jira. Dit geeft gebruikers de informatie die ze nodig hebben, wanneer ze die nodig hebben. En dat helpt teams om beter samen te werken.

Rovo kan je tijd besparen door deze dingen voor je te definiëren, zonder dat je weg hoeft te navigeren van wat je aan het lezen.

Als je een definitie tegenkomt die volgens jou onjuist is, kun je een definitie bewerken of een nieuwe toevoegen. Je kunt vervolgens de zichtbaarheid instellen voor die pagina of dat werkitem, de hele space of het project, of de toegang tot je hele organisatie.

Wij zijn van mening dat het definiëren van termen met behulp van Rovo in Confluence en Jira het beste werkt in de volgende scenario's:

• Een bedrijf heeft meerdere pagina's in zijn Confluence-installatie waarin wordt vermeld, beschreven of uitgelegd wat een specifieke term is en waaraan Rovo informatie kan ontlenen.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om termen te definiëren met behulp van Rovo in Confluence-werk soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat het definiëren van termen met AI in Confluence minder nuttig is in de volgende scenario's:

• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• Je niet voldoende context hebt over de term in die Confluence-installatie (als er bijvoorbeeld geen pagina's zijn waarin de specifieke term wordt genoemd, wordt de definitie van die term niet nauwkeurig gegenereerd).
• Voor de definitie is toegang vereist tot Confluence-inhoud waarvoor je geen toestemming hebt om deze te bekijken
• Je meerdere termen probeert te definiëren in plaats van één afzonderlijke term tegelijk.

Daarnaast hebben we in Jira ook ontdekt dat, omdat het definiëren van termen met behulp van Rovo afhankelijk is van zoeken in Confluence, de functie alleen werkt in Jira als je toestemming hebt om een Confluence-installatie te bekijken op dezelfde site als je Jira-installatie.

Mogelijk ervaar je dat het definiëren van termen met Rovo niet werkt zoals verwacht in Confluence-spaces en Jira-installaties die content in meerdere talen bevatten.

We begrijpen dat je misschien vragen hebt over hoe termen definiëren met behulp van Rovo je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is op onze pagina met veelgestelde vragen.

We verwerken het volgende:

• Je vragen (inputs) en antwoorden (outputs).
• Context van je installatie die relevant is voor je prompt, zoals de term die je wilt definiëren.
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt.
• Feedback die je verstrekt over deze functie, inclusief eventuele vragen of antwoorden die je wilt delen als onderdeel van je feedback.

Als het op je gegevens aankomt, worden de volgende maatregelen toegepast als je Rovo voor het definiëren van termen gebruikt:

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.

  • Worden niet naar een andere externe LLM-provider naast OpenAI, Google of Anthropic op AWS Bedrock verzonden

  • Worden niet door LLM-providers opgeslagen.
  • Worden niet gebruikt om LLM-modellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• Alle externe LLM-providers zijn subverwerkers en worden zo vermeld op onze pagina Subverwerkers. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de bestaande toegangsrechten van gebruikers, zodat gebruikers geen definitie te zien krijgen op basis van inhoud waartoe ze geen toegang hebben. In plaats daarvan haalt de functie alleen inhoud en definities op van pagina's en projecten die de gebruiker in de installatie mag bekijken. Als je niet wilt dat je inhoud beschikbaar is in het antwoord naar andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.
• Als een gebruiker een definitie handmatig bewerkt of bijwerkt, wordt de definitie gedurende één jaar bewaard.

AI in bewerkingsomgevingen wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en Google. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI en de Gemini-serie van Google.

Rovo gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Google.

Rovo helpt bij het stimuleren van effectieve communicatie tussen alle teams in een organisatie, om de efficiëntie, besluitvorming en processen te verbeteren.

Wij zijn van mening dat het gebruik van Rovo in bewerkingsomgevingen het beste werkt in scenario's zoals:

• Bestaande inhoud transformeren voor verschillende doelgroepen. Rovo helpt bij het veranderen van de toon, het verbeteren van de schrijfstijl en het begrijpelijker maken van technische informatie voor andere teams. Dit werkt het beste voor teams die professioneler en beknopter willen schrijven.
• Bestaande inhoud samenvatten. Met Rovo kun je globale notities omzetten in nuttige strategiedocumentatie, artikelen in de kennisdatabase, campagneplannen, enz. Je kunt het ook gebruiken om bestaande informatie te analyseren om actieplannen en items te definiëren. Dit werkt het beste voor pagina's met veel tekst, waar veel context aanwezig is om uit te zoeken.
• Nieuwe inhoud genereren. Rovo helpt je bij het opstellen van nieuwe inhoud, zoals strategiepagina's, projectoverzichten, releasenotes of userstory's. Dit werkt het beste wanneer teams duidelijke, specifieke aanwijzingen gebruiken, met een specifiek doel voor ogen.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt voor AI in bewerkingsomgevingen soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat het minder nuttig is om Rovo in bewerkingsomgevingen te gebruiken in de volgende scenario's:

• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• Je toegang nodig hebt tot informatie die niet direct beschikbaar is (bijvoorbeeld in jouw installatie) om je aanvraag goed te kunnen beantwoorden.
• Je inhoud moet genereren in een formaat dat verder gaat dan de standaard markdown (bijvoorbeeld door een volledig nieuw informatiepaneel te genereren).
• Je moet verwijzen naar informatie die nog niet aanwezig is in het document dat wordt bewerkt (bijvoorbeeld inhoud die aanwezig is in een ander document of een ander product).
• Je moet inhoud genereren en transformeren in andere talen naast het Engels.

Daarom willen we je aansporen om na te denken over de situaties waarin je Rovo gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

Je kunt ook het volgende overwegen:

• Zo specifiek mogelijk zijn met wat je Rovo vraagt om te doen.
• Verdeel complexe aanvragen in kleinere, beheersbare taken.
• Gebruik relevante trefwoorden om de nauwkeurigheid van gegenereerde inhoud te verbeteren.
• Gebruik de juiste grammatica en interpunctie in je invoertekst.
• Proeflees, beoordeel en bewerk de output die wordt gegenereerd door de AI-schrijfassistent om te zorgen voor een goede nauwkeurigheid en duidelijkheid.
• Experimenteer met verschillende vragen en variaties van je invoertekst om verschillende ideeën te overwegen.
• Werk samen met anderen om feedback te verzamelen en de kwaliteit van je output te verbeteren.

We begrijpen dat je misschien vragen hebt over hoe AI in bewerkingsomgevingen je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is op onze pagina met veelgestelde vragen.

We verwerken het volgende:

• Je vragen (inputs) en antwoorden (outputs).
• Context van je installatie die relevant is voor je aanwijzing, zoals het product waarmee je Rovo hebt geactiveerd.
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt.
• Feedback die je verstrekt over deze functie, inclusief eventuele vragen of antwoorden die je wilt delen als onderdeel van je feedback.

Als het op je gegevens aankomt, past Rovo in bewerkingsomgevingen de volgende maatregelen toe:

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.

  • Worden niet naar een andere externe LLM-provider naast OpenAI of Google verzonden.

  • Worden niet door LLM-providers opgeslagen.
  • Worden niet gebruikt om LLM-modellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• Alle externe LLM-providers zijn subverwerkers en worden zo vermeld op onze pagina Subverwerkers. Deze verwerkers gebruiken je in- en uitvoer alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van jouw installatie. Als je bijvoorbeeld geen toegang hebt tot een specifieke Confluence-pagina, wordt er geen inhoud van die pagina voorgesteld in het antwoord dat je ontvangt. Als je niet wilt dat je inhoud beschikbaar is in antwoorden op andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

De werkitemherindeler wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI, waaronder de GPT-reeks modellen van OpenAI.

Rovo gebruikt dit model om natuurlijke taal te analyseren en te genereren in Jira.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Ontdek meer informatie over de mogelijkheden van de modellen van OpenAI.

De werkitemherindeler verbetert de duidelijkheid van de omschrijving van je Jira-werkitem door ze opnieuw in te delen met behulp van een sjabloon die is ontwikkeld door Atlassian. Deze sjabloon behandelt de soorten informatie die we gewoonlijk verwachten te zien in de omschrijving van een Jira-werkitem, zoals een userstory, context voor het werk en acceptatiecriteria.

We zijn van mening dat de werkitemherindeler het beste werkt in gevallen waarin je werkitemomschrijvingen al nuttige informatie bevatten (zoals acceptatiecriteria of links naar bronnen), maar die informatie niet volgens een duidelijke of consistente structuur is ingedeeld.

Het is belangrijk om te onthouden dat, vanwege de manier hoe ze werken, de modellen die de werkitemherindeler aandrijven soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De omschrijving met een nieuwe indeling geeft bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop deze is gebaseerd, of het bevat mogelijk gegevens die redelijk klinken, maar onjuist of onvolledig zijn.

We hebben ontdekt dat de werkitemherindeler minder nuttig is in situaties waarbij:

• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• Je werkitemomschrijving niet veel informatie bevat, omdat de kans groter is dat het model dat de werkitemherindeler aandrijft informatie toevoegt die niet was opgenomen in je oorspronkelijke omschrijving.

Daarom willen we je aansporen om na te denken over de situaties waarin je Rovo gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt. Controleer en bevestig eventueel dat je werkitemomschrijvingen alle relevante informatie bevatten voordat je de werkitemherindeler gaat gebruiken om ze opnieuw in te delen.

We begrijpen dat je misschien vragen hebt over hoe de werkitemherindeler je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken het volgende:

• Je vragen (inputs) en antwoorden (outputs).
• Context van je installatie die relevant is voor je prompt, zoals de omschrijving en samenvatting van de Jira-werkitem.
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt.
• Feedback die je verstrekt over deze functie, inclusief eventuele vragen of antwoorden die je wilt delen als onderdeel van je feedback.

Wat je gegevens betreft, past de werkitemherindeler de volgende maatregelen toe:

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten
  • Worden niet naar externe LLM-providers verzonden, met uitzondering van OpenAI
  • Worden niet opgeslagen door OpenAI.
  • Worden niet gebruikt om OpenAI-modellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• OpenAI is een subverwerker die op onze lijst van subverwerkers staat. Deze verwerkers gebruiken je in- en uitvoer alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie gebruikt alleen de informatie die beschikbaar is in het Jira-werkitem en wordt aangeroepen vanuit het Jira-werkitem. Daarom kan het alleen worden aangeroepen door een gebruiker die rechten heeft om het werkitem te bekijken en geen toegang heeft tot andere informatie.

Meer informatie over het gebruik van Rovo

Werkitemgegevens samenvatten met behulp van AI wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en Google. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI en de Gemini-serie van Google.

Rovo gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Google.

In plaats van lange omschrijvingen en talloze opmerkingen over een Jira Service Management-werkitem te lezen, kun je Rovo gebruiken om deze informatie snel voor je samen te vatten. Hierdoor krijgen agents snel inzicht in de context en voortgang van het werkitem en kunnen ze snel actie ondernemen en hulp bieden.

We hebben ondervonden dat het samenvatten van werkitemgegevens met Rovo het beste werkt voor:

• werkitems met een omschrijving en opmerkingen in het Engels.
• werkitems met veel opmerkingen en/of lange opmerkingen en omschrijvingen.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werkitemgegevens samen te vatten met AI soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ondervonden dat het samenvatten van werkitemgegevens met Rovo minder nuttig is in scenario's waarbij:

• Je zoekt in een andere taal dan het Engels.
• Het werkitem geen geschiedenis of gegevens bevat

Daarom willen we je aansporen om na te denken over de situaties waarin je Rovo gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

We begrijpen dat je misschien vragen hebt over hoe AI je gegevens gebruikt bij het samenvatten van werkitemgegevens. Dit gedeelte is een aanvulling op de informatie die beschikbaar is op onze pagina met veelgestelde vragen.

We verwerken het volgende:

• Je vragen (inputs) en antwoorden (outputs).
• Context uit je installatie die relevant is voor je vraag, inclusief gegevens over het Jira Service Management-werkitem, zoals de omschrijving van het werkitem, opmerkingen en gebruikers die zijn betrokken bij het ticket.
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt
• Feedback die je verstrekt over deze functie, inclusief eventuele vragen of antwoorden die je wilt delen als onderdeel van je feedback.

Als het op je gegevens aankomt, worden de volgende maatregelen toegepast als je Rovo gebruikt voor het samenvatten van werkitemgegevens:

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.

  • Worden niet naar een andere externe LLM-provider naast OpenAI, Google of Anthropic op AWS Bedrock verzonden.

  • Worden niet door LLM-providers opgeslagen.
  • Worden niet gebruikt om LLM-modellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• Alle externe LLM-providers zijn subverwerkers en worden zo vermeld op onze pagina Subverwerkers. Deze verwerkers gebruiken je in- en uitvoer alleen voor het verwerken van je verzoek, en niet voor andere doeleinden.
• Deze functie volgt de rechten van jouw installatie. Alleen agents en projectbeheerders zien de knop Samenvatten.

Het samenvatten van Smart Links met Atlassian Intelligence (AI) wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI, Google en Anthropic, evenals een combinatie van grote open source-taalmodellen (waaronder de Llama-serie, de Phi-serie en de Mixtral-serie) en andere modellen voor zelflerende systemen. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI, modellen uit de Gemini-serie van Google en modellen uit de Claude-serie van Anthropic.

Atlassian Intelligence gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van OpenAI-modellen, Google-modellen en Anthropic-modellen. Voor meer informatie over open source-taalmodellen, zie informatie over de Llama-serie en de Phi-serie.

Als je je cursor op een Smart Link van Jira, Confluence en Google Docs plaatst, kan Atlassian Intelligence je helpen de inhoud samen te vatten. Zo kun je eenvoudig bepalen hoe waardevol de link is en bepalen welke volgende actie je wilt ondernemen. Hierdoor hoef je de pagina minder snel te verlaten en wissel je minder snel van context.

Wij zijn van mening dat het samenvatten van Smart Links met AI het beste werkt wanneer je:

• Je een pagina of werkitem bekijkt met een of meer Smart Links.
• Je een pagina of werkitem bekijkt met een of meer Smart Links die veel informatie of inhoud bevatten, waardoor het veel tijd en aandacht weghaalt van de inhoud die je wilt lezen.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om het samenvatten van Smart Links met AI mogelijk te maken soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De samenvattingen die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben gemerkt dat het samenvatten van Smart Links met AI minder nuttig is wanneer je:

• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• Inhoud moet samenvatten die heel kort is.
• Alle metagegevens en inhoud moet samenvatten in een link. Bijvoorbeeld als je alle veldwaarden in een Jira-ticket wilt begrijpen, evenals de beschrijving en de inhoud van de opmerkingen.

Daarom willen we je aansporen om na te denken over de situaties waarin je Atlassian Intelligence gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

We begrijpen dat je misschien vragen hebt over hoe Atlassian Intelligence je gegevens gebruikt bij het samenvatten van werkitemgegevens. Dit gedeelte is een aanvulling op de informatie die beschikbaar is op onze pagina met veelgestelde vragen.

We verwerken het volgende:

• Je vragen (inputs) en antwoorden (outputs).
• Context uit je installatie die relevant is voor je prompt, zoals de inhoud van de link die je wilt samenvatten.
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt.
• Feedback die je verstrekt over deze functie, inclusief eventuele antwoorden die je wilt delen als onderdeel van je feedback.

Wat je gegevens betreft, worden voor het samenvatten van Smart Links met AI de volgende maatregelen gebruikt.

• Je samenvattingen:
  • Zijn niet beschikbaar voor andere klanten.

  • Worden niet naar een andere externe LLM-provider naast OpenAI, Google of Anthropic op AWS Bedrock verzonden.

  • Worden niet door LLM-providers opgeslagen.
  • Worden niet gebruikt om LLM-modellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• Alle externe LLM-providers zijn subverwerkers en worden zo vermeld op onze pagina Subverwerkers. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.

• Deze functie volgt de rechten van je installatie. Als je bijvoorbeeld geen toegang hebt tot een pagina of ticket in Jira, Confluence of Google, kun je de inhoud van die bron niet samenvatten. Als je niet wilt dat je inhoud beschikbaar is in het antwoord naar andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

AI-samenvattingen in Jira worden mogelijk gemaakt door de grote taalmodellen die zijn ontwikkeld door OpenAI. Deze modellen omvatten de OpenAI-modellen die hier worden beschreven.

Atlassian Intelligence gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat hun antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee de modellen zijn getraind.

Lees meer over de mogelijkheden van OpenAI-modellen, of over deze aanpak, in de onderzoeksdocumenten van OpenAI.

In plaats van lange omschrijvingen en talloze opmerkingen over een Jira-werkitem te lezen, kun je Atlassian Intelligence gebruiken om deze informatie snel voor je samen te vatten. Hierdoor krijgen agents snel inzicht in de context en voortgang van het werkitem en kunnen ze snel actie ondernemen en hulp bieden.

We hebben ondervonden dat het samenvatten van werkitemgegevens met Atlassian Intelligence het beste werkt voor werkitems met veel opmerkingen en/of lange opmerkingen en omschrijvingen.

Het is belangrijk om te onthouden dat, vanwege de manier waarop ze werken, de modellen die de AI-samenvattingen in Jira aandrijven soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ondervonden dat het samenvatten van werkitemgegevens met Atlassian Intelligence minder nuttig is in scenario's waarbij:

• het werkitem geen geschiedenis of gegevens bevat
• het werkitem meer dan 100 opmerkingen bevat (we vatten dan alleen de laatste 100 opmerkingen samen)

Daarom willen we je aansporen om goed na te denken over de situaties waarin je Atlassian Intelligence gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

We begrijpen dat je misschien vragen hebt over hoe Atlassian Intelligence je gegevens gebruikt bij het samenvatten van werkitemgegevens. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken het volgende:

• Je prompts (inputs) en antwoorden (outputs).
• Context uit je installatie die relevant is voor je vraag, inclusief gegevens over het Jira-werkitem, zoals de werkitemomschrijving, opmerkingen en gebruikers die zijn betrokken bij het ticket.
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt.
• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

De volgende maatregelen worden toegepast met betrekking tot je gegevens als je Atlassian Intelligence gebruikt voor het samenvatten van werkitemgegevens:

• Je prompts (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.
  • Worden niet naar een andere externe LLM-provider naast OpenAI verzonden.
  • Worden niet opgeslagen door OpenAI.
  • Worden niet gebruikt om OpenAI-modellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• OpenAI is een subverwerker die op onze lijst van subverwerkers staat. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie. Deze functie gebruikt alleen de informatie die beschikbaar is in het Jira-werkitem en wordt aangeroepen vanuit het Jira-werkitem. Daarom kan het alleen worden aangeroepen door een gebruiker die rechten heeft om het werkitem te bekijken en geen toegang heeft tot andere informatie.

Werk uitsplitsen met AI wordt mogelijk gemaakt door de grote taalmodellen die zijn ontwikkeld door OpenAI.

Atlassian Intelligence gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees over de mogelijkheden van OpenAI-modellen of over deze aanpak, in de onderzoeksdocumenten van OpenAI.

Werk uitsplitsen met AI stelt onderliggende werkitems voor op basis van een Jira-werkitem dat je hebt aangemaakt, waardoor het eenvoudig is om grote stukken werk op te splitsen in kleinere. Je werkitem wordt gebruikt als context om suggesties te genereren voor samenvattingen en omschrijvingen van onderliggende werkitems.

We zijn van mening dat werk uitsplitsen met AI het beste werkt in scenario's waarin:

• Je begint met een werkitem dat een gedetailleerde samenvatting en omschrijving bevat, inclusief eventuele beperkingen, instructies en definities van klaar.
• Het beginnende werkitem heeft geen bestaande onderliggend werkitem.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werkzaamheden van werk uitsplitsen met AI te ondersteunen, soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat werk uitsplitsen met AI minder nuttig is in situaties waarin:

• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• Je begint niet met een gedetailleerde samenvatting en omschrijving van het werkitem (bijvoorbeeld als je probeert suggesties voor onderliggende werkitems te genereren op basis van een werkitem met een zeer korte en uitgebreide omschrijving).

Daarom willen we je aansporen om na te denken over de situaties waarin je Atlassian Intelligence gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

Je kunt ook het volgende overwegen:

• Wees zo specifiek mogelijk over wat je van Atlassian Intelligence vraagt.
• Zoveel mogelijk informatie verstrekken in de samenvatting en omschrijving van het beginnende werkitem.

We begrijpen dat je misschien vragen hebt over hoe werk uitsplitsen met AI je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken het volgende:

• Je prompts (inputs) en antwoorden (outputs).
• Context van je installatie die relevant is voor je prompt, inclusief werkitemgegevens (zoals samenvatting, omschrijving en opmerkingen).
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt.
• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

Wat je gegevens betreft, past werk uitsplitsen met AI de volgende maatregelen toe.

• Je prompts (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten
  • Worden niet naar een andere externe LLM-provider naast OpenAI verzonden.
  • Worden niet opgeslagen door OpenAI.
  • Worden niet gebruikt om OpenAI-modellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• OpenAI is een subverwerker op onze lijst van subverwerkers. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie (bijv. je moet toegang hebben tot het werkitem om suggesties voor onderliggende werkitems te genereren). Als je niet wilt dat je inhoud beschikbaar is in de reacties die door andere gebruikers zijn gegenereerd, werk dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Ontdek meer over het gebruik van Atlassian Intelligence

De Vergaderingsagent wordt aangedreven door grote taalmodellen die zijn ontwikkeld door OpenAI en Google, evenals een combinatie van andere machine learning-modellen. Deze omvatten modellen uit de GPT-serie van OpenAI en de Gemini-serie van Google.

De Vergaderingsagent gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Google.

De Vergaderingsagent is beschikbaar voor gebruikers in organisaties die de Teamwork Collection van apps gebruiken (Jira, Confluence en Loom).

De Vergaderingsagent is beschikbaar in de desktop-app van Loom en is bedoeld om gebruikers te helpen meer te halen uit vergaderingen. Met deze functie kunnen gebruikers zien wat ze hebben gemist, actie-items vastleggen en zich voorbereiden op de volgende vergadering.

Wij zijn van mening dat de Vergaderingsagent het beste werkt in de volgende situaties:

• Je wilt vragen stellen en informatie krijgen over de huidige vergadering, of andere vergaderingen in de herhaalde reeks.
• Je wilt een gemakkelijk toegankelijke manier om vragen te stellen over de kennisdatabase van je bedrijf.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van de Vergaderingsagent te ondersteunen, soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat de Vergaderingsagent minder nuttig is in de volgende situaties:

• Je hebt de Vergaderingsagent nodig om informatie over een vergadering te bekijken anders dan de huidige vergadering, of vergaderingen uit een herhaalde reeks.
• Je hebt de Vergaderingsagent nodig voor informatie over een vergadering waarbij geen transcriptie beschikbaar is.
• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• Je hebt de Vergaderingsagent nodig voor informatie die niet direct beschikbaar is (bijvoorbeeld in jouw installatie) om je aanvraag goed te kunnen beantwoorden.

Daarom raden we je aan om na te denken over de situaties waarin je de Vergaderingsagent gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

Je kunt ook het volgende overwegen:

• Zo specifiek mogelijk zijn met wat je de Vergaderingsagent vraagt om te doen.
• Vragen dat de Vergaderingsagent op het internet zoekt wanneer je wilt dat deze toegang heeft tot een breder scala aan informatie om je vragen te beantwoorden. Stel dat je je afvraagt hoe de totale bereikbare markt eruitziet voor videoconferentiesoftware. De Vergaderingsagent levert in dit geval betere resultaten als je zoekresultaten van het internet toevoegt aan je query.
• De Vergaderingsagent voornamelijk gebruiken voor het verkrijgen van informatie en context die relevant is voor je notulen en andere artefacten. Als je op zoekt bent naar organisatiecontext die mogelijk gemakkelijker beschikbaar is buiten je vergaderingsartefacten, raden we aan om in plaats daarvan Rovo te gebruiken. Rovo is bijvoorbeeld mogelijk beter in staat om snel te antwoorden op vragen als "Wie is Head of Product?" of "Wat is de volgende bedrijfsbrede feestdag in de VS?". In het geval dat je juist snel toegang wilt tot organisatiecontext wat betreft bronnen buiten je vergaderingsartefacten, kun je beter de Vergaderingsagent gebruiken. In andere gevallen raden we aan om Rovo te gebruiken.

We begrijpen dat je misschien vragen hebt over hoe de Vergaderingsagent je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken het volgende:

• Je vragen (inputs) en antwoorden (outputs).
• Videotranscripties (maar niet de video's zelf)
• Context van je installatie die relevant is voor je vraag. Als je bijvoorbeeld "Wat zijn onze arbeidsvoorwaarden voor 2026?" invoert, kunnen we een Confluence-pagina bieden waar je toegang toe hebt en die informatie over de arbeidsvoorwaarden bevat.
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt.
• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

Wat je gegevens betreft, past de Vergaderingsagent de volgende maatregelen toe.

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.
  • Worden niet naar een andere externe LLM-provider naast OpenAI of Google verzonden.
  • Worden niet opgeslagen door OpenAI of Google.
  • Worden niet gebruikt om OpenAI- of Google-modellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• De gespreksgeschiedenis van de Vergaderingsagent is toegankelijk voor vergaderingen tot 30 dagen terug.
• OpenAI en Google zijn beide een subverwerker op onze lijst met subverwerkers. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie. Als je bijvoorbeeld geen toegang hebt tot een gevoelig beleidsdocument (Confluence-pagina) voor een team waar je niet bij hoort, krijg je geen inhoud van die pagina voorgesteld in het antwoord dat je ontvangt. Als je niet wilt dat je inhoud beschikbaar is in het antwoord naar andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Meer informatie over de Vergaderingsagent

Agents in Jira wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en Google. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI en de Gemini-serie van Google.

Agents in Jira gebruiken deze modellen om natuurlijke taalresponses en code binnen Jira te analyseren en genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Google.

Agents in Jira stelt je in staat om agents die zijn aangemaakt in Studio of externe agents zoals GitHub Copilot toe te wijzen aan werkitems in Jira. Wanneer je een agent toevoegt aan een werkitem, stel je een tweerichtingsinteractie met die agent in. Je kunt de agent toewijzen aan een werkitem of de agent triggeren naarmate het werk je workflow doorloopt.

Agents helpen met eerste conceptversies, snelle samenvattingen en specifieke taken, zodat je werk kunt blijven uitvoeren waar het wordt bijgehouden. Met krachtigere codeeragents zoals Rovo Dev en GitHub Copilot kun je ook code genereren.

Zodra een taak is toegewezen en de agent aan het werk is gezet, levert de agent een output die je kunt bekijken in de sectie Agents van een werkitem. Alleen jij kunt de output van de agent bekijken, erop reageren en delen.

Wanneer je tevreden bent met het resultaat, kun je de uitvoer delen als een opmerking op het werkitem zodat je team het ook kan bekijken.

Zodra je een agent aan een space toevoegt, kun je op vier manieren samenwerken:

• Voeg een agent toe aan het uitvoerdersveld.
• @vermeld een agent in een opmerking.
• Voeg een agent toe aan workflowtransities.

• Voeg een agent toe aan een kolom op het bord.

Wij zijn van mening dat Agents in Jira het beste werkt in de volgende situaties:

• Je werkitems bevatten voldoende context, zoals gedetailleerde omschrijvingen en context (Confluence-pagina's, ontwerpen of richtlijnen), zodat agents hun reacties kunnen baseren op het daadwerkelijke werk van je team in plaats van algemene suggesties.
• Je gebruikt gespecialiseerde in Studio gebouwde of coderingsagents (zoals Rovo Dev of GitHub Copilot) die de juiste vaardigheden en tools hebben voor de klus, vooral voor codegeneratie of technische analyse.
• Je wilt het werk in beweging houden door goed afgebakende taken (zoals eerste conceptopmerkingen, acceptatiecriteria of conceptcodewijzigingen) te delegeren aan een agent, terwijl mensen zich richten op beslissingen die meer beoordelingsvermogen vereisen en definitieve goedkeuringen.
• Je wilt itereren met de agent, door vervolgprompts te gebruiken om de output te verfijnen of te corrigeren.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om agents in Jira-werk te ondersteunen, soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat de Agents in Jira minder nuttig is in de volgende situaties:

• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• Je een zeer consistente en regelmatige uitvoer nodig hebt die niet onderhevig is aan variaties, aangezien de antwoorden om verschillende redenen kunnen variëren, waaronder door gebruikersrechten.
• Mensen niet betrokken zijn. Agents werken het beste wanneer mensen de gewenste uitvoer verifiëren of begeleiden.
• Je werkitem heeft niet genoeg context voor een agent om aan het werk te kunnen beginnen. Dit kan gebeuren wanneer er niet genoeg informatie beschikbaar is binnen je Jira-site of verbonden apps en producten om de taak betrouwbaar te begrijpen. Het kan ook gebeuren wanneer de agent toegang nodig heeft tot specifieke artefacten, zoals ontwerpen, codefragmenten of vereisten, die niet zijn gekoppeld aan of waarnaar niet wordt verwezen in het werkitem.
• De in Studio gebouwde agent heeft niet de juiste vaardigheden voor het werk dat wordt toegewezen. Meer over het toevoegen van vaardigheden en tools aan agents.

• De taak vereist onderhandelen en communiceren met mensen. Agents kunnen standpunten samenvatten en volgende stappen voorstellen, maar ze zijn niet geschikt om belanghebbenden op één lijn te krijgen of toezeggingen te doen namens een team.

Daarom raden we je aan om na te denken over de situaties waarin je Agents in Jira gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

Je kunt ook het volgende overwegen:

• Wees zo specifiek mogelijk in je werkitem over wat je wilt dat de agent doet.
• Verstrek van relevante context en links die de agent kan gebruiken (pagina's, links naar je repository, code, ontwerpen).
• Herhaal met vervolgprompts om de uitvoer te verfijnen of te corrigeren.

We begrijpen dat je misschien vragen hebt over hoe Agents in Jira je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken het volgende:

• Je vragen (inputs) en antwoorden (outputs).
• Context van je installatie die relevant is voor je prompt, zoals de context van het werkitem en gegevens in de Teamwork Graph om aanvullende informatie te vinden die de agent kan helpen bij het voltooien van de taak.
• Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt.

• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

Wat je gegevens betreft, past Agents in Jira de volgende maatregelen toe.

• Je prompts (invoer) en reacties (uitvoer) met door Atlassian aangemaakte of Rovo Studio-agents:
  • Zijn niet beschikbaar voor andere klanten.
  • Worden alleen gebruikt om je ervaring te verbeteren.
  • Worden niet naar een andere externe LLM-provider naast OpenAI of Google verzonden.
  • Worden niet door LLM-providers opgeslagen.
  • Worden niet gebruikt om grote taalmodellen te verbeteren.
  • Worden alleen gebruikt om je ervaring te verbeteren.
• Als je beheerder ervoor kiest om een externe agent te installeren of in te schakelen via een Marketplace-app of een externe MCP-server, valt je gebruik van die agent onder de voorwaarden, privacyverklaring, gegevensverwerkingspraktijken en gegevensbewaringspraktijken van de externe partij.
  • Externe agents kunnen gebruikmaken van LLM's, subverwerkers, infrastructuur, bewaarperioden en controles die verschillen van die welke worden gebruikt voor door Atlassian gebouwde of door Studio gebouwde agents. Klanten moeten de toepasselijke voorwaarden en documentatie van derden bekijken voordat ze een externe agent inschakelen of gebruiken.
• OpenAI of Google Vertex zijn een subverwerker op onze lijst met subverwerkers. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie. Als je bijvoorbeeld geen toegang hebt tot een bepaalde Confluence-pagina, kan je agent die pagina niet openen in het antwoord dat je ontvangt. Als je niet wilt dat je inhoud beschikbaar is in het antwoord naar andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.
• Agents handelen namens jou en erven je rechten. Ze halen alleen gegevens op waar je toegang toe hebt, en hun output blijft privé voor jou totdat je ervoor kiest om het te delen of een actie triggert waardoor het zichtbaar wordt voor anderen.

Werk samen aan werkitems met AI-agents

Resources voor Rovo

De app Jira Cloud for Slack gebruikt AI om de Jira-vermeldingsfunctie in de app mogelijk te maken. Deze functie wordt mogelijk gemaakt door grote taalmodellen ontwikkeld door Google, met name de modellen van de Gemini-serie.

De app gebruikt deze modellen om antwoorden in natuurlijke taal te analyseren en te genereren in Slack, en om in Jira acties uit te voeren namens gebruikers.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van de modellen van Google.

Door Jira te vermelden in Slack kunnen teams werkitems rechtstreeks vanuit elk Slack-kanaal vastleggen en beheren. Gebruik @Jira om werkitems aan te maken, velden bij te werken en taken toe te wijzen in gewone taal, zonder de thread te verlaten. Je kunt ook @Jira gebruiken om werk toe te wijzen aan een teamgenoot of over te dragen aan een agent. Instellen duurt maar een paar seconden en vanaf dan worden je project en voorkeuren onthouden.

Jira vermelden in Slack is ontworpen om teams te helpen werk vast te leggen en op te pakken op het moment dat het in een gesprek ter sprake komt. We denken dat Jira vermelden in Slack het beste werkt in de volgende situaties:

• Werkitems aanmaken vanuit Slack-gesprekken. Wanneer in een Slack-thread een bug, beslissing of taak naar voren komt, kun je @Jira gebruiken en beschrijven wat je nodig hebt, om het werkitem in Jira aan te maken met de relevante context bijgevoegd.
• Bestaande werkitems bijwerken. Je kunt de agent vragen de status, prioriteit of uitvoerder van een bestaand Jira-werkitem rechtstreeks vanuit Slack bij te werken, zonder Jira te openen.
• Werk toewijzen aan een agent. Je kunt Jira vragen om werk toe te wijzen aan een agent, om de uitvoering te starten.
• Werkitems inline bewerken. Jij of je teamgenoten kunnen velden rechtstreeks bewerken met een openvouwkaart voor het aangemaakte of bijgewerkte werkitem in de Slack-thread.
• Standaardinstellingen op kanaalniveau configureren. Je kunt de slash-opdracht /jira agent gebruiken om een standaard Jira-site, standaardproject en aangepaste Instructies in te stellen voor hoe de agent zich gedraagt in een specifiek Slack-kanaal.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van de Jira-app te ondersteunen, soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat @Jira in Slack minder nuttig is in de volgende situaties:

• Je beschikt niet over de vereiste rechten in Jira, waardoor je geen query's of acties kunt uitvoeren.
• De Slack-thread die of het Slack-kanaal dat je gebruikt, bevat vage of onnauwkeurige taal. Als dit het geval is, is de kans kleiner dat @Jira nauwkeurige werkitems aanmaakt of ze nauwkeurig bijwerkt.
• Je geeft de onduidelijke of vage Instructies wanneer je Jira @vermeldt.
• Je hebt actuele en nauwkeurige informatie nodig over mensen, plaatsen en feiten.

Daarom raden we je aan om na te denken over de situaties waarin je @Jira in Slack gebruikt. Ook raden we je aan de kwaliteit te controleren van de antwoorden die je krijgt, voordat je deze met anderen deelt.

Je kunt ook het volgende overwegen:

• Wees zo specifiek mogelijk in je prompts.
• Herformuleer je prompts.
• Controleer de aangemaakte of bijgewerkte Jira-werkitems op juistheid voordat je de Slack-thread sluit.

We begrijpen dat je misschien vragen hebt over hoe de app Jira for Slack je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken:

• je vragen (inputs) en antwoorden (outputs)
• Context uit je installatie die relevant is voor je prompt, zoals updates voor een Jira-werkitem.
• gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt
• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

Wat je gegevens betreft, geldt in de Jira-app voor Slack het volgende. Je gegevens:

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.
  • worden niet naar een andere externe LLM-provider dan Google verzonden
  • worden niet opgeslagen door Google.
  • worden niet gebruikt om modellen van Google te verbeteren.
  • worden alleen gebruikt om je ervaring te verbeteren
• Google Vertex is een subverwerker op onze lijst van subverwerkers. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie. Als je bijvoorbeeld geen rechten hebt om werkitems aan te maken, kun je dat ook niet doen door Jira te vermelden in Slack.

Resources voor Rovo

Supportartikel

Vermelding in Slack Marketplace

Loom Editor wordt samengesteld met grote taalmodellen (LLM's, Large Language Models) die zijn ontwikkeld door OpenAI en Google, evenals een combinatie van grote opensource-LLM's (waaronder de Llama-serie) en andere modellen zelflerende systemen. Deze modellen omvatten modellen uit de GPT-serie van OpenAI en modellen uit de Gemini-serie van Google.

Loom Editor gebruikt deze modellen om inhoud uit videotranscripties te extraheren en analyseren, en om natuurlijke taal binnen Loom te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Loom Editor gebruikt deze modellen om context uit videotranscripten te extraheren. Belangrijke mogelijkheden zijn onder meer het automatisch genereren van titels, samenvattingen en hoofdstukken, en het mogelijk maken van bewerken op basis van transcripties en het automatisch verwijderen van stopwoorden en stiltes.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Google. Raadpleeg voor meer informatie over open source taalmodellen de informatie over de Llama-serie.

Loom Editor bevat een aantal AI-gedreven mogelijkheden die zijn ontworpen om je Loom-video's automatisch te verbeteren. Loom Editor bevat momenteel functies voor de volgende mogelijkheden:

• Automatische titels: er wordt automatisch een aangepaste videotitel gegenereerd op basis van context uit de videotranscriptie.
• Automatische samenvattingen: er wordt automatisch een samenvatting gegenereerd na het opnemen en deze wordt weergegeven in het vak met de omschrijving onder je video.
• Automatische hoofdstukken: er worden automatisch hoofdstukken gegenereerd op basis van onderwerpen die in je video worden besproken. Het hoofdstuk verdeelt je video in hoofdstukken, zodat kijkers er eenvoudig doorheen kunnen navigeren.
• AI-workflows: zet je video om in een tekstdocument, bericht of bugrapport dat je rechtstreeks naar Jira kunt sturen.
• Ondertiteling vertalen: vertaal ondertiteling automatisch naar verschillende talen.

We denken dat Loom Editor het beste werkt in scenario's waarin je het volgende wilt:

• Snelle navigatiehulpmiddelen genereren: deel video's op in hoofdstukken met Automatische hoofdstukken voor eenvoudige navigatie.
• Direct deelbare samenvattingen aanmaken: genereer automatisch aangepaste Automatische titels en Automatische samenvattingen direct na het opnemen.
• De kloof tussen videodocumentatie en tekstdocumentatie overbruggen: zet video-inhoud om in tekstassets zoals AI-workflows, bijvoorbeeld SOP's, berichten of bugrapporten die rechtstreeks naar Jira worden verzonden.
• Mondelinge presentatie oppoetsen: klink professioneler door stopwoorden zoals "eh" te verwijderen of lange stiltes in te korten.
• Doelgroepactie sturen: genereer automatisch een knop voor automatische call-to-action op basis van de context van de opname om vervolgstappen te begeleiden.
• Ondertiteling vertalen: vertaal ondertiteling automatisch naar verschillende talen.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van Loom Editor te ondersteunen, soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is

We hebben ontdekt dat Loom Editor minder nuttig is in de volgende scenario's:

• Je hebt een vertaling nodig naar talen die minder algemeen worden gesproken. LLM's zijn over het algemeen meestal beter in talen die breder worden gesproken (en beter zijn gedocumenteerd)
• Je hebt een zeer consistente en regelmatige uitvoer nodig die niet onderhevig is aan variaties, aangezien de antwoorden om verschillende redenen kunnen variëren.
• Er zijn geen mensen betrokken. Loom Editor werkt het beste wanneer mensen de gewenste uitvoer verifiëren of begeleiden.
• Je moet nieuwe visuele elementen of afbeeldingen genereren, want Loom Editor is voornamelijk gericht op tekst en eenvoudige videobewerking.

Daarom raden we je aan om na te denken over de situaties waarin je Loom Editor gebruikt en de inhoud te controleren voordat je die met anderen deelt.

We begrijpen dat je mogelijk vragen hebt over hoe Loom Editor je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken:

• Context uit je installatie die relevant is voor je prompt, zoals het geselecteerde videobestand, de transcriptie, de videometagegevens en alle tekst die je op of rond de video toevoegt.
• gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt
• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.
• Het videobestand zelf (audio- + videostream)
• De automatisch gegenereerde transcriptie van die video(tekst)
• Alle bestaande metagegevens van de video, waaronder:
  • Titel, omschrijving, onderwerpen
  • Hoofdstukken/segmenten/samenvattingen (indien al aanwezig)
  • Configuratie van call-to-action (bijv. doel-URL, knoptekst), feedback die je wilt geven over deze functie, waaronder prompts of inhoud die je wilt delen als onderdeel van je feedback.
  • Ondertiteling afgeleid van de transcriptie
• Alle door de gebruiker verstrekte tekst:
  • Bewerkingen van titel, samenvatting, hoofdstukken
  • Tekst toegevoegd via overlays (annotaties, pijlen, vakken enz.)

Wat je gegevens betreft, past Loom Editor de volgende maatregelen toe.

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.
  • Worden niet verzonden naar een andere externe LLM-provider dan OpenAI of Google
  • Worden niet door LLM-providers opgeslagen
  • Worden niet gebruikt om grote taalmodellen/OpenAI-modellen of toepasselijke modellen van derden te verbeteren.
  • worden alleen gebruikt om je ervaring te verbeteren
• OpenAI, Google en AWS Bedrock zijn elk een subverwerker op onze Lijst van subverwerkers. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie. Als je bijvoorbeeld geen toegang hebt tot een bepaalde Loom-video, kun je Loom Editor niet gebruiken om die inhoud te bewerken. Als je niet wilt dat Loom-video's beschikbaar zijn in reacties op andere gebruikers in je installatie, zorg je samen met je organisatiebeheerder dat je rechten juist zijn ingesteld.

AI video-editor: functies voor videobewerking van Loom

Loom Screenshots wordt samengesteld met grote taalmodellen (LLM's) die zijn ontwikkeld door OpenAI, Anthropic en Google, evenals een combinatie van opensource-LLM's (waaronder de Llama-serie) en andere modellen zelflerende systemen. Deze modellen omvatten de reeks GPT-modellen van OpenAI, de reeks Claude-modellen van Anthropic en de reeks Gemini-modellen van Google.

Loom Screenshots gebruikt deze modellen om jou in staat te stellen via de desktopapp of Chrome-extensie automatisch een titel te genereren voor je Loom-screenshot.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Google. Raadpleeg voor meer informatie over open source taalmodellen de informatie over de Llama-serie.

Met Loom Screenshots kun je jouw screenshots vastleggen, annoteren, delen en opslaan. Loom Screenshots bevat functies voor de volgende mogelijkheden

• Opnameopties: je kunt een aangepast gebied, een specifiek tabblad of je volledige scherm vastleggen.
• Direct delen: voor elke screenshot wordt automatisch een unieke link gegenereerd die je kunt delen, waardoor je bestanden niet meer handmatig hoeft te downloaden en uploaden.
• Annotatietools: je kunt je afbeeldingen verbeteren door rechtstreeks in de Loom Editor tekst, vormen en pijlen toe te voegen om belangrijke elementen te markeren.
• Cloud-bibliotheek: alle screenshots worden automatisch opgeslagen in je Loom-bibliotheek, waar je ze kunt beheren met mappen en onderwerpen.

Wij zijn van mening dat Loom Screenshots het beste werkt in de volgende scenario's:

• Je hebt elementen op het scherm die je wilt markeren en onder de aandacht wilt brengen.
• Je wilt een eenvoudige manier om je schermopnamen te delen zonder handmatige bestandsdownloads of -uploads.
• Je wilt vaak verschillende onderdelen van je scherm opnemen, of het nu een aangepast gedeelte, een specifiek tabblad of je volledige scherm is.
• Je wilt een eenvoudige manier om opgeslagen schermopnamen te beheren en op één plek samen te brengen.
• Je screenshot bevat genoeg informatie om automatisch een nauwkeurigere titel te genereren.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van Loom Screenshots te ondersteunen, soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De titels die automatisch worden gegenereerd door Loom Screenshots geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat Loom Screenshots minder nuttig zijn in de volgende scenario's:

• Je moet livevideo bewerken. Loom Screenshots bewerkt namelijk alleen statische screenshots.
• Je moet live acties laten zien, zoals het demonstreren van een bug waarvoor klikken of scrollen is vereist.
• Complexe gebruikersinterfaces, zoals dashboards met veel panelen of flows over meerdere schermen. Hiervoor zijn korte video's geschikter dan screenshots, om context te behouden.
• Zeer interactieve samenwerking, zoals live brainstormen en werken met whiteboards.
• Er zijn geen mensen betrokken. Loom Screenshots werkt het best als een mens de uitvoer controleert of begeleidt.

Daarom raden we je aan om na te denken over de situaties waarin je Loom Screenshots gebruikt, en elke screenshot te controleren voordat je hem met anderen deelt.

We begrijpen dat je misschien vragen hebt over hoe Loom Screenshots je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken:

• Je prompts (invoer) (bijv. schermafbeelding) en antwoorden (uitvoer) (bijv. automatisch gegenereerde titel)
• Context uit je installatie die relevant is voor je prompt, zoals schermafbeeldingen, metagegevens en alle tekst die je op of rond de schermafbeelding verstrekt.
• gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt
• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

Wat je gegevens betreft, past Loom Screenshots de volgende maatregelen toe.

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.
  • Worden niet naar een andere externe LLM-provider naast OpenAI, Google of Anthropic op AWS Bedrock verzonden.
  • Worden niet door LLM-providers opgeslagen
  • Worden niet gebruikt om grote taalmodellen/OpenAI-modellen of toepasselijke modellen van derden te verbeteren.
  • worden alleen gebruikt om je ervaring te verbeteren
• OpenAI, Google Vertex en AWS Bedrock zijn elk een subverwerker op onze lijst van subverwerkers. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie. Als je bijvoorbeeld geen toegang hebt tot een bepaalde Loom-video, kun je Loom Screenshots niet gebruiken om die inhoud te bewerken. Als je niet wilt dat Loom-video's beschikbaar zijn in reacties op andere gebruikers in je installatie, zorg je er samen met je workspace-beheerder voor dat je rechten juist zijn ingesteld.

Gratis Screenshot voor de Chrome-browser

Maken met Rovo wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en Anthropic, evenals een combinatie van grote open-source LLM's (waaronder de Llama-serie) en andere modellen met een zelflerend systeem. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI en de Claude-serie van Anthropic.

Maken met Rovo gebruikt deze modellen om natuurlijke taal en ondersteunde bestandsindelingen binnen onze apps te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Google. Raadpleeg voor meer informatie over open source taalmodellen de informatie over de Llama-serie.

Dankzij Maken met Rovo kunnen gebruikers AI met één klik vragen bepaalde inhoud te maken (bijvoorbeeld een whiteboard, live doc, pagina, database of blog).

Wij zijn van mening dat Maken met Rovo het beste werkt in de volgende situaties:

• Beginnen met een leeg canvas. Maken met Rovo helpt gebruikers een eerste concept te genereren van een Confluence-pagina, whiteboard, database, blog of live doc op basis van een prompt. Dit werkt het beste wanneer gebruikers een duidelijk doel, de beoogde doelgroep en alle relevante context opgeven die ze in de nieuwe inhoud willen laten terugkomen.
• Gestructureerde inhoud maken op basis van ideeën of notities. Met Maken met Rovo kun je ruwe input, notulen of ideeën in een vroeg stadium omzetten in beter georganiseerde inhoud, zoals projectoverzichten, strategiepagina's, campagneplannen, releasenotes of userstory's. Dit werkt het beste wanneer de gebruiker op zoek is naar een nuttig startpunt dat kan worden beoordeeld en verfijnd.
• Herbruikbare sjablonen of indelingen genereren. Maken met Rovo kan gebruikers helpen sjablonen, paginastructuren of andere startpunten voor veelvoorkomende teamworkflows op te stellen. Dit werkt het beste wanneer gebruikers de output behandelen als door AI gegenereerde conceptinhoud en die controleren op nauwkeurigheid, volledigheid en geschiktheid voordat ze het delen of gebruiken.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van Maken met Rovo te ondersteunen, soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn. De antwoorden die je krijgt, kunnen de inhoud waarop ze zijn gebaseerd bijvoorbeeld niet nauwkeurig weergeven, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben ontdekt dat Maken met Rovo minder nuttig is in situaties waarbij:

• Je gestructureerde kennisgegevens nodig hebt uit de kennisdatabase van je organisatie. Maken met Rovo werkt het best met ongestructureerde informatie en gegevens in natuurlijke taal en is mogelijk minder nauwkeurig wanneer je het vraagt om met gestructureerde gegevens te werken
• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• Je Maken met Rovo nodig hebt om toegang te krijgen tot informatie die voor jou niet beschikbaar is vanwege problemen met rechten (bijv. informatie in een afgeschermde kennisdatabase van Confluence)
• Je typefouten maakt wanneer je entiteitnamen (bijv. namen van teams of personen) in prompts noemt. Dit komt doordat Maken met Rovo die entiteiten mogelijk niet kan vinden in je kennisdatabase, waardoor de resultaten die je krijgt onvolledig zijn of die typefouten overnemen alsof ze echt zijn.
• Je wilt dat Maken met Rovo een specifieke sjabloon hergebruikt die je aan het prompt-veld koppelt. Maken met Rovo is niet deterministisch, dus het volgt die sjabloon niet precies

Daarom willen we je aansporen om na te denken over de situaties waarin je Rovo gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

Je kunt ook het volgende overwegen:

• Zo specifiek mogelijk zijn met wat je Rovo vraagt om te doen.
• Controleer elke door AI gegenereerd sjabloon voordat je deze toepast op je inhoud. Sjablonen die zijn gegenereerd met Maken met Rovo, door jou of door andere gebruikers, kunnen verschillen in kwaliteit en volledigheid, afhankelijk van de prompts die zijn gebruikt om ze te maken.

We begrijpen dat je misschien vragen hebt over hoe Maken met Rovo je gegevens gebruikt. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken:

• Je tekstprompts (inputs) en antwoorden (outputs).
• Je spraakprompts die je invoert met het microfoonpictogram in het prompt-veld (inputs). We verwerken de audio om transcripties te genereren, en we gebruiken transcripties alleen om de aanvraag te voltooien.
• Context uit je installatie die relevant is voor je prompt, inclusief alle externe bronnen die zijn verbonden met je installatie
• Gegevens over hoe je omgaat met onze functies, zoals relevante Teamwork Graph-gegevens
• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

Wat je gegevens betreft, past Maken met Rovo de volgende maatregelen toe.

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.
  • Worden niet naar een andere externe LLM-provider verzonden, naast OpenAI of Anthropic op AWS Bedrock.
  • Worden niet door LLM-providers opgeslagen.
  • Worden niet gebruikt om grote taalmodellen/OpenAI-modellen of toepasselijke modellen van derden te verbeteren.
  • Worden alleen gebruikt om je ervaring te ondersteunen en om ons te helpen het product te verbeteren
• OpenAI en AWS Bedrock zijn allebei subverwerkers die op onze lijst van subverwerkers staan. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie. Als je bijvoorbeeld geen toegang hebt tot een bepaalde Confluence-pagina, wordt er geen inhoud van die pagina voorgesteld in het antwoord dat je ontvangt. Als je niet wilt dat je inhoud beschikbaar is in het antwoord naar andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Resources voor Rovo

De samenvatting van beoordelingen van Marketplace-apps wordt ondersteund door grote taalmodellen die zijn ontwikkeld door OpenAI, evenals andere modellen met een zelflerend systeem. Deze grote taalmodellen omvatten modellen uit de GPT-reeks van OpenAI.

De samenvatting van beoordelingen van Marketplace-apps gebruikt deze modellen om natuurlijke taal binnen onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Ontdek meer informatie over de mogelijkheden van de modellen van OpenAI.

Met de samenvatting van beoordelingen van Marketplace-apps begrijpen gebruikers wat echte klanten over een app zeggen, zonder elke beoordeling te hoeven lezen. Het genereert een korte samenvatting in duidelijke taal van de openbare, goedgekeurde beoordelingen op de vermeldingspagina van apps op Marketplace, met daarin wat klanten prettig vinden, wat niet, en hoe ze de app meestal gebruiken.

De samenvatting van beoordelingen van Marketplace-apps werkt het best in scenario's waarin:

• Je geselecteerde app genoeg recente beoordelingen heeft in het Engels, zodat veelvoorkomende thema's duidelijk naar voren komen.
• Je snel een overzicht wilt van het klantgevoel voordat je individuele beoordelingen leest of de app uitprobeert.
• Je de samenvatting gebruikt naast de app-vermelding, documentatie van de leverancier en afzonderlijke beoordelingen, in plaats van die op zichzelf te gebruiken.

Houd ook het volgende in gedachten:

• De samenvatting is opzettelijk kort. Deze belicht alleen de meest voorkomende thema's en een paar voor- en nadelen, dus individuele nuances worden mogelijk niet weergegeven.
• Alleen beoordelingen die in het Engels zijn geschreven, worden meegenomen bij het genereren van een samenvatting.
• Wanneer veel beoordelingen met een hoge score weinig of geen geschreven inhoud hebben, kan de samenvatting de langere, meer gedetailleerde beoordelingen zwaarder laten meewegen, waardoor die soms negatief kan uitvallen, zelfs als de algemene sterbeoordeling positief is.
• Recente, prominente beoordelingen van een tijdelijk probleem kunnen de samenvatting beïnvloeden totdat er nieuwere beoordelingen binnenkomen.
• Samenvattingen worden 24 uur gecachet en regelmatig bijgewerkt wanneer een bepaalde drempel voor nieuwe beoordelingen is bereikt, in plaats van bij elke nieuwe beoordeling, dus de meest recente beoordelingen zijn mogelijk nog niet verwerkt.
• Voor scenario's waarin er niet genoeg beoordelingen zijn om een betrouwbare samenvatting te maken, wordt er geen samenvatting weergegeven.

Het is belangrijk om te onthouden dat de modellen achter de samenvatting van beoordelingen van Marketplace-apps soms resultaten kunnen opleveren die onjuist, onvolledig of onbetrouwbaar zijn vanwege de manier waarop ze werken.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben vastgesteld dat de samenvatting van beoordelingen van Marketplace-apps minder nuttig is in scenario's waarin:

• Een app heel weinig beoordelingen heeft, of de beoordelingen kort of niet relevant zijn of zijn geschreven in andere talen dan Engels. In deze gevallen is de samenvatting mogelijk niet representatief of wordt deze helemaal niet weergegeven.
• Je nauwkeurige, actuele informatie nodig hebt over de functies van een app, de beveiligingsstatus of bekende bugs. De vermelding, documentatie en supportkanalen van de leverancier zijn hiervoor de bron van waarheid.
• Je een aankoop-, beveiligings- of nalevingsbeslissing neemt over een app. De samenvatting is alleen een startpunt, niet de basis voor een definitieve beslissing.
• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.

Je kunt ook het volgende overwegen:

• Beschouw de samenvatting als een beginpunt, niet als het laatste woord. Lees een paar afzonderlijke beoordelingen, waaronder de meest recente en eventuele reacties van leveranciers, samen met de samenvatting voordat je een beslissing neemt.

We verwerken:

• De openbaar goedgekeurde beoordelingen, de inhoud van de beoordelingen, het aantal stemmen, de publicatiedatum en de status van de beoordeling op de Marketplace-vermelding van een app die we gebruiken om de samenvatting te genereren.
• Gegevens over hoe je met de functie werkt, zoals of er een samenvatting wordt weergegeven, het aantal analytische gebeurtenissen dat terechtkomt in de beoordelingssectie van de vermeldingspagina van de app.
• Feedback die je kiest te geven over een samenvatting via ECOHELP-tickets of via de algemene feedbackverzamelaar.

Wat je gegevens betreft, geldt in samenvattingen van beoordelingen van Marketplace-apps het volgende.

Je in- en outputs:

• Zijn alleen gebaseerd op beoordelingen die al openbaar en goedgekeurd zijn in de Marketplace-vermelding. Er wordt geen privé-inhoud uit je Atlassian-installatie verzonden naar het model.
• De samenvatting bevat geen persoonlijke gegevens, zoals je naam of e-mail-ID. Deze geeft een algemeen overzicht van feedback van klanten over de app.
• Zijn niet beschikbaar voor andere klanten in een andere vorm dan de openbaar weergegeven samenvatting op de vermelding van de Marketplace-app.
• Worden niet verzonden naar externe LLM-providers buiten OpenAI, en alleen via de interne AI-gateway van Atlassian.
• Worden door die aanbieders niet langer opgeslagen dan nodig is om de aanvraag af te handelen.
• Worden niet gebruikt om grote taalmodellen van derden te trainen of te verbeteren.
• Als je liever niet wilt dat je app-beoordeling wordt gebruikt om de samenvatting te genereren met de genoemde LLM, raden we je aan de beoordeling niet te publiceren.

OpenAI is een subverwerker die op onze lijst van subverwerkers staat. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.

We slaan gegenereerde samenvattingen op in de cache, zodat ze snel aan andere Marketplace-klanten kunnen worden getoond. Samenvattingen in de cache zijn alleen gebaseerd op openbare beoordelingen en bevatten geen persoonlijke of installatie-specifieke gegevens.

Door AI gegenereerde samenvattingen voor werkitems worden mogelijk gemaakt door de grote taalmodellen die zijn ontwikkeld door OpenAI. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI.

Door AI gegenereerde samenvattingen van werkitems gebruiken deze modellen om informatie over Jira-werkitems te analyseren en korte samenvattingen in natuurlijke taal te genereren binnen onze producten.

Deze modellen genereren reacties op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat de antwoorden worden gegenereerd door het meest waarschijnlijke volgende woord of tekst te voorspellen op basis van de gegevens waarmee ze zijn getraind.

Ontdek meer informatie over de mogelijkheden van de modellen van OpenAI.

Met door AI gegenereerde samenvattingen van werkitems krijg je een duidelijk en beknopt overzicht van een Jira-werkitem doordat de bedoeling, de huidige status en de volgende stappen van het item worden samengevat. Zo kun je een werkitem sneller begrijpen en eerder tot actie overgaan in plaats van dat je handmatig alle details en gekoppelde context moet doornemen.

We zijn ervan overtuigd dat door AI gegenereerde samenvattingen van werkitems het beste werken in scenario's waarin:

• je snel een overzicht wilt van een werkitem voordat je beslist wat je hierna gaat doen;
• je de meest relevante informatie over een werkitem wilt begrijpen zonder elk veld of gekoppeld werkitem handmatig door te nemen;
• je de genomen codebeslissingen wilt begrijpen;
• je een of meer uitgebreide werkitems moet beoordelen (bijvoorbeeld met meerdere opmerkingen, gekoppelde werkitems en geschiedenis) en snel wilt weten waar je moet beginnen.

Het is belangrijk om te onthouden dat de modellen die worden gebruikt voor door AI gegenereerde samenvattingen van werkitems, vanwege de manier waarop ze functioneren, soms resultaten kunnen opleveren die onnauwkeurig, onvolledig of onbetrouwbaar zijn.

De antwoorden die je krijgt, geven bijvoorbeeld mogelijk niet nauwkeurig de inhoud weer waarop ze zijn gebaseerd, of bevatten inhoud die redelijk klinkt, maar onjuist of onvolledig is.

We hebben vastgesteld dat door AI gegenereerde samenvattingen voor werkitems minder nuttig zijn in scenario's waarin:

• Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
• je door AI gegenereerde samenvattingen voor werkitems nodig hebt om toegang te krijgen tot informatie die niet direct beschikbaar is (bijvoorbeeld in jouw installatie) om je aanvraag goed te kunnen beantwoorden.
• Je hebt een gegarandeerd volledig of gezaghebbend overzicht van een werkitem nodig. De samenvatting is bedoeld om je een startpunt te bieden en je moet er niet op vertrouwen als vervanging voor het bekijken van de details van het werkitem wanneer dat nodig is.
• De onderliggende informatie van het werkitem is onvolledig, verouderd, onduidelijk of inconsistent.
• Rechten of toegang tot relevante inhoud van werkitems zijn onlangs gewijzigd en de samenvatting is nog niet vernieuwd.

Daarom willen we je aansporen om na te denken over de situaties waarin je Rovo gebruikt. Ook raden we je aan de kwaliteit te beoordelen van de antwoorden die je krijgt voordat je deze met anderen deelt.

Je kunt ook het volgende overwegen:

• Zo specifiek mogelijk zijn met wat je Rovo vraagt om te doen.
• Werkitemvelden, beschrijvingen, opmerkingen en gekoppelde werkitems accuraat en actueel houden.
• Controleren of de samenvatting de nieuwste informatie van het werkitem weergeeft, vooral als rechten, status, eigenaarschap of gekoppelde werkitems onlangs zijn gewijzigd.
• De samenvatting behandelen als een ondersteunend overzicht in plaats van als vervanging van het werkitem zelf.

We begrijpen dat je misschien vragen hebt over hoe door AI gegenereerde samenvattingen van werkitems je gegevens gebruiken. Dit gedeelte is een aanvulling op de informatie die beschikbaar is in ons Trust Center.

We verwerken:

• je vragen (inputs) en antwoorden (outputs)
• Context uit je installatie die relevant is voor je prompt, zoals Jira-werkitemgegevens, relaties tussen Jira-werkitems en context van gekoppelde werkitems.
• gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt
• Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

Als het om je gegevens gaat, past door AI gegenereerde samenvattingen van werkitems de volgende maatregelen toe.

• Je vragen (inputs) en antwoorden (outputs):
  • Zijn niet beschikbaar voor andere klanten.
  • Worden niet naar externe LLM-providers verzonden, met uitzondering van OpenAI.
  • Worden door geen enkele LLM-provider opgeslagen.
  • Worden niet gebruikt om grote taalmodellen of OpenAI-modellen te verbeteren.
  • worden alleen gebruikt om je ervaring te verbeteren
• OpenAI is een subverwerker die op onze lijst van subverwerkers staat. Deze verwerkers gebruiken je in- en outputs alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
• Deze functie volgt de rechten van je installatie. Gegenereerde samenvattingen worden alleen getoond aan gebruikers die toegang hebben tot het onderliggende Jira-werkitem, en alleen niet-beperkte inhoud wordt gebruikt voor samenvattingen. Als rechten veranderen, worden samenvattingen vernieuwd zodat gebruikers alleen samenvattingen zien voor werkitems waartoe ze toegang hebben. Als je niet wilt dat je inhoud beschikbaar is in het antwoord naar andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Resources voor Rovo