Atlassian Intelligence en Rovo zijn ontworpen voor transparantie

Onze eerlijke toewijding aan open communicatie, verantwoordelijkheid en het helpen van teams om AI op een verantwoorde manier te gebruiken.

Hoe Rovo-Agents gebruikmaken van Atlassian Intelligence Copy link to heading Copied! Tonen

Rovo Agents worden samengesteld met grote taalmodellen (LLM's, large language models) die zijn ontwikkeld door OpenAI en Google, evenals een combinatie van grote open source LLM's (waaronder de Llama-serie) en andere machine learning-modellen. Deze modellen omvatten modellen uit de GPT-serie van OpenAI en de Gemini-serie van Google.

Rovo Agents gebruiken deze modellen om antwoorden op vragen te analyseren en te genereren in natuurlijke taal, en om relevante antwoorden te geven van Atlassian en aanverwante producten van derden.

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. Voor meer informatie over open source taalmodellen, raadpleeg je de informatie over de Llama-serie.

Over Rovo Agents Copy link to heading Copied! Tonen

Met Rovo bieden we verschillende kant-en-klare agents die je kunt gebruiken voor verschillende taken, zoals hulp bij het nemen van beslissingen, het publiceren van kennisdocumentatie en het opschonen of organiseren van werkitems in Jira. Agents zijn gespecialiseerde AI-teamgenoten die menselijke teams kunnen helpen om het werk snel en effectief uit te voeren.

Je kunt dan:

Creëer je eigen agents met behulp van natuurlijke taal en pas hun instructies, kennis en acties aan
Creëer je eigen agents met code (Forge) voor geavanceerdere integraties met de interne tools van je organisatie
Installeer agents via apps die zijn ontwikkeld door externe Marketplace-ontwikkelaars, klanten en Atlassian-partners, welke meestal geavanceerdere agents zijn die met code (Forge) zijn gemaakt.

Wij zijn van mening dat Rovo Agents het beste werken in situaties waarbij:

Een terugkerende of formulaire taak die gemakkelijk kan worden geautomatiseerd door een agent. Meer informatie over automatiseringen
Ideeën worden gegenereerd of content wordt opgesteld om mee te werken
Snelle zoekopdrachten voor specifieke informatie worden uitgevoerd

Beperkingen en overwegingen bij het gebruik van Rovo Agents Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van Rovo Agents 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-Agents minder nuttig zijn in situaties waarbij:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
Je informatie nodig hebt uit je workspace waar je binnen je workspace geen toegang toe hebt.
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.

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 of Rovo vraagt.
Lees best practices voor het schrijven van prompts voor Agents.
Vind efficiënte of beproefde manieren om Agents in je team op te nemen. Je kunt zien hoe anderen in je team Agents gebruiken door de Agentprofielen te bekijken.

Jouw gegevens en Rovo-Agents Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Rovo-Agents 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 je prompt, zoals een Confluence-pagina, een Jira-werkitem of een document van een verbonden extern product. Als je Agents gebruikt in Rovo Chat via de Chrome-browserextensie, geldt dit ook voor de openbare webpagina of het Google-document dat je hebt geopend.
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, passen Rovo-Agents 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 Google verzonden.
- Worden niet opgeslagen door een andere externe LLM-provider.
- Worden niet gebruikt om grote taalmodellen te verbeteren.
- Worden alleen gebruikt om je ervaring te verbeteren.
- Worden door Atlassian gedurende 30 dagen bewaard voor veiligheids- en beveiligingsdoeleinden.
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 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 het antwoord naar andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

De bovenstaande gegevens zijn van toepassing op de Agents die worden aangeboden door Atlassian. Raadpleeg meer informatie over Agents, aangeboden door Atlassian, de richtlijnen van gegevens, privacy en gebruik van Rovo | Rovo | Atlassian-support. Raadpleeg de Leveranciersvoorwaarden van derden voor hun apps voor meer informatie over externe Agents.

Meer informatie over Atlassian Intelligence

Ontdek meer over het gebruik van Atlassian Intelligence

Ontdek meer over Agents op het gebied van automatisering

Hoe Rovo Chat gebruikmaakt van Atlassian Intelligence Copy link to heading Copied! Tonen

Rovo Chat wordt samengesteld met grote taalmodellen (LLM's, large language models) die zijn ontwikkeld door OpenAI en Google, evenals een combinatie van grote open source LLM's (waaronder de Llama-serie) en andere machine learning-modellen. Deze modellen omvatten modellen uit de GPT-serie van OpenAI en de Gemini-serie van Google.

Rovo Chat gebruikt deze modellen om antwoorden op vragen te analyseren en te genereren in natuurlijke taal, en om relevante antwoorden te geven van Atlassian en aanverwante producten van derden.

Antwoorden worden gegenereerd door deze grote taalmodellen op basis van jouw input en zijn probabilistisch van aard. Dit betekent dat antwoorden van grote taalmodellen 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 de modellen van OpenAI en de modellen van Google. Voor meer informatie over open source taalmodellen, raadpleeg je de informatie over de Llama-serie.

Usecases voor Rovo Chat Copy link to heading Copied! Tonen

Met Rovo Chat heb je toegang tot de kennis van je organisatie via een gespreksinterface. Dit betekent dat je Rovo kunt vragen om dingen te schrijven, te lezen, te beoordelen of te creëren op dezelfde manier als je dat aan iemand vraagt, zonder je workflow te verstoren. Rovo Chat begrijpt de context van je werk (zowel binnen Atlassian als je aanverwante producten van derden) om vragen te beantwoorden of om ideeën of inzichten te geven.

Wij zijn van mening dat Rovo Chat het beste werkt in situaties waarbij:

Jouw organisatie wil gebruikers een eenvoudige, gemoedelijke manier bieden om toegang te krijgen tot bedrijfskennis, op basis van de toegangsrechten van elke gebruiker.
Je geeft de voorkeur aan een gespreksinterface wanneer je taken uitvoert zoals het aanmaken van pagina's of Jira-werkitems, het vinden van belanghebbenden of het vinden van informatie die relevant is voor je werk.
Je hulp wilt bij het verfijnen van je schrijfstijl.
Je graag hulp wilt bij het inzicht in lange of complexe kennispagina's.
Je hulp wilt bij het vinden van hiaten of verbeterpunten in Jira-werkitems of Confluence-pagina's.

Rovo Chat is ook toegankelijk voor gebruikers via een Chrome-browserextensie. Meer informatie over toegang tot Rovo Chat vind je hier en hier.

Overwegingen bij het gebruik van Rovo Chat Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van Rovo Chat 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 Chat minder nuttig is in situaties waarbij:

Je deterministische, absolute en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
Je informatie nodig hebt waar je binnen je workspace geen toegang toe hebt.
Je vragen wilt stellen en antwoorden wilt krijgen in andere talen dan het Engels.

Daarom willen we je aansporen om na te denken over de situaties waarin je Rovo Chat 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 wat je Rovo Chat vraagt te doen. Je kunt bijvoorbeeld in je aanvraag de specifieke mensen, pagina's, projecten, tijden of andere context opnemen die relevant zijn voor je vraag, of verduidelijkingen toevoegen in je vervolggesprekken met Rovo Chat. Tips voor het schrijven van prompts voor Chat.
Neem de tijd om je prompts te verfijnen en voer een gesprek met Rovo Chat om betere resultaten te behalen.

Jouw gegevens en Rovo Chat Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Rovo Chat 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, zoals een Confluence-pagina, een Jira-werkitem of een document van een verbonden extern product. Als je Rovo Chat gebruikt via de Chrome-browserextensie, geldt dit ook voor de openbare webpagina of het Google-document dat je hebt geopend.
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 Rovo Chat 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 Google verzonden.
- Worden niet opgeslagen door een andere externe LLM-provider.
- Worden niet gebruikt om grote taalmodellen te verbeteren.
- Worden alleen gebruikt om je ervaring te verbeteren.
- Worden 30 dagen bewaard in je Chat-geschiedenis, zodat je terug kunt kijken en eerdere gesprekken kunt raadplegen.
- Worden door Atlassian gedurende 30 dagen bewaard voor veiligheids- en beveiligingsdoeleinden.

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

Deze functie volgt de rechten van je 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 het antwoord naar andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Als je Rovo Chat opent via de Chrome-browserextensie, leest Chat alleen de inhoud op de webpagina die je bekijkt als aanvulling op de inhoud die zich al in je Atlassian-producten bevindt. Er worden geen aanvullende gegevens van de webpagina opgeslagen.

Meer informatie over Atlassian Intelligence

Ontdek meer over het gebruik van Atlassian Intelligence

Ontdek meer over het gebruik van Rovo Chat

Ontdek meer over de browserextensie

Hoe Rovo-zoeken gebruikmaakt van Atlassian Intelligence Copy link to heading Copied! Tonen

Rovo-zoeken maakt gebruik van Atlassian Intelligence om de zoekmogelijkheden binnen Atlassian en tools van derden te verbeteren.

Rovo-zoeken wordt samengesteld met grote taalmodellen (LLM's, large language models) die zijn ontwikkeld door OpenAI en Google, evenals een combinatie van grote open source LLM's (waaronder de Llama-serie) en andere machine learning-modellen. Deze modellen omvatten modellen uit de GPT-serie van OpenAI en de Gemini-serie van Google.

Rovo-zoeken gebruikt deze modellen om functies te bieden zoals semantisch zoeken, relevantierangschikking en natuurlijke taalverwerking. Dit omvat het analyseren en genereren van antwoorden op zoekopdrachten in natuurlijke taal, en het geven van relevante antwoorden op basis van antwoorden van Atlassian en verbonden externe producten.

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

Usecases voor Rovo-zoeken Copy link to heading Copied! Tonen

Met Rovo-zoeken kunnen gebruikers zoeken binnen meerdere tools en platforms, waaronder Atlassian-producten en verbonden externe producten, wat contextuele en relevante resultaten oplevert om de samenwerking en productiviteit van teams te verbeteren.

Wij zijn van mening dat Rovo-zoeken het beste werkt in situaties waarin:

Je in één interface moet zoeken in verschillende Atlassian-producten (zoals Jira en Confluence) en verbonden externe producten (zoals Google Drive en SharePoint), zonder van context te wisselen.
Je teams snelle toegang nodig hebben tot relevante informatie uit verschillende bronnen. Zo besparen ze tijd omdat ze al die bronnen niet afzonderlijk hoeven te doorzoeken.
Je wilt dat de zoekresultaten resultaten opleveren op basis van waar je gebruikers toegang toe hebben.

Overwegingen bij het gebruik van Rovo-zoeken Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van Rovo-zoeken 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-zoeken minder nuttig is in situaties waarin:

Je team voornamelijk één product of platform gebruikt en geen zoekmogelijkheden op verschillende platforms nodig heeft.
Je organisatie niche of zeer gespecialiseerde externe tools gebruikt die niet worden ondersteund door de connectoren van Rovo.
Je kleine teams of projecten hebt waarvoor weinig gegevens en documentatie nodig zijn.

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:

Voordat je een extern product koppelt, moet je de rechten controleren die voor dat product zijn ingesteld. Rovo-zoeken respecteert deze rechten, maar het kan zijn dat je de juiste rechten moet instellen voor je space of inhoud.
Onthoud tijdens het zoeken dat de resultaten voor individuele gebruikers verschillen, omdat Rovo de rechten respecteert en Rovo-zoeken resultaten bevat waartoe alleen de huidige gebruiker toegang heeft.
Rovo-zoeken kan uitgebreidere mensen en teamresultaten opleveren als je je organigram synchroniseert met Atlassian Home.
Je team aanmoedigen om niet alleen op trefwoorden te zoeken, maar ook vragen te stellen (bijvoorbeeld: "Wie is Jane Smith?" of "Wat is het vakantiebeleid?") tijdens het gebruik van Rovo-zoeken.

Jouw gegevens en Rovo-zoeken Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Rovo-zoeken 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, zoals documentinhoud van je Atlassian-producten en verbonden externe producten, documentrechten en metagegevens van bestanden.
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 Rovo-zoeken de volgende maatregelen toe.

Je prompts en antwoorden:
- Zijn niet beschikbaar voor andere klanten.
- Worden niet naar een andere externe LLM-provider naast OpenAI of Google verzonden.
- Worden niet opgeslagen door een andere externe LLM-provider.
- 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.
Rovo-zoeken volgt de rechten van je producten.
- De gegevens worden opgeslagen in de cloud-gebaseerde zoekindex en het entiteitsopslagsysteem van Atlassian. Rovo-zoeken wordt gesynchroniseerd met gegevens van de toegangsbeheerlijst (ACL) van verbonden externe producten en Atlassian-producten om ervoor te zorgen dat gebruikers alleen inhoud zien waarvoor ze rechten hebben.
- Als je bijvoorbeeld geen toegang hebt tot een privé-Confluence-pagina of Google Drive-document, wordt die inhoud niet voorgesteld in het antwoord dat je ontvangt. Als je niet wilt dat je inhoud beschikbaar is in het antwoord naar andere gebruikers in je Atlassian- en externe producten, moet je overleggen met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.
Atlassian kan je zoekopdrachten opslaan om de zoekervaring voor je gebruikers te verbeteren. Zoals bij alle Atlassian Intelligence- en Rovo-functies worden je vragen niet gebruikt om modellen van klanten te trainen.
We 'luisteren' naar verwijderde inhoud en werken de Rovo-index bij met wijzigingen. Als de Rovo-index bijvoorbeeld is bijgewerkt, wordt inhoud die is verwijderd van een verbonden extern product niet meer in de Rovo-resultaten weergegeven. Meer over het gebruik van gegevens door Rovo.

Meer informatie over Atlassian Intelligence

Wat is Atlassian Intelligence? | Atlassian-support

Rovo: verkrijg organisatorische kennis met GenAI | Atlassian

Automatisering met behulp van Atlassian Intelligence

Hoe AI ChatOps voor incidentmanagement gebruikmaakt van Atlassian Intelligence Copy link to heading Copied! Tonen

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

Atlassian Intelligence 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. Voor meer informatie over open-source taalmodellen, raadpleeg je de informatie over de Llama-serie en de Phi-serie.

Usecases voor AI ChatOps voor incidentmanagement Copy link to heading Copied! Tonen

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.

Overwegingen bij het gebruik van AI ChatOps voor incidentmanagement Copy link to heading Copied! Tonen

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.

Jouw gegevens en AI ChatOps voor incidentmanagement Copy link to heading Copied! Tonen

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 het volgende:

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.

Hoe AI-concepten gebruikmaken van Atlassian Intelligence Copy link to heading Copied! Tonen

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.

Atlassian Intelligence 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.

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.

Gebruiksscenario's voor AI-concepten Copy link to heading Copied! Tonen

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.

Overwegingen bij het gebruik van AI-concepten Copy link to heading Copied! Tonen

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.

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

Je gegevens en AI-concepten Copy link to heading Copied! Tonen

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 Atlassian Intelligence.
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 Atlassian Intelligence Copy link to heading Copied! Tonen

Ontdek meer over het gebruik van Atlassian Intelligence

Hoe AI-samenvattingen in bedrijfshubkaarten gebruikmaken van Atlassian Intelligence Copy link to heading Copied! Tonen

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.

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

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

Gebruiksscenario's voor AI-samenvattingen in bedrijfshubkaarten Copy link to heading Copied! Tonen

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 Atlassian Intelligence 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.

Overwegingen bij het gebruik van AI-samenvattingen in bedrijfshubkaarten Copy link to heading Copied! Tonen

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.

Je gegevens en AI-samenvattingen in bedrijfshubkaarten Copy link to heading Copied! Tonen

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 Atlassian Intelligence. 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 Atlassian Intelligence Copy link to heading Copied! Tonen

Ontdek meer over het gebruik van Atlassian Intelligence

Hoe AI-gerelateerde resources gebruikmaken van Atlassian Intelligence Copy link to heading Copied! Tonen

AI-gerelateerde resources worden samengesteld met large language models (LLM's) die zijn ontwikkeld door OpenAI, evenals een combinatie van grote open-source LLM's (waaronder de Llama-serie en de Phi-serie) en andere modellen met zelflerende systemen. Deze large language models omvatten modellen uit de GPT-reeks van OpenAI.

Atlassian Intelligence gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren, en om relevante antwoorden te geven vanuit Atlassian en gekoppelde producten van derden.

Lees meer over de mogelijkheden van OpenAI-modellen of over deze aanpak in de onderzoekspapers van OpenAI. Voor meer informatie over open-source taalmodellen, raadpleeg je de informatie over de Llama-serie en de Phi-serie.

Usecases voor AI-gerelateerde resources Copy link to heading Copied! Tonen

Met Atlassian Intelligence kunnen je gebruikers het proces van incidentoplossing versnellen door een lijst met middelen samen te stellen die ze kunnen raadplegen in je gekoppelde kennisdatabase-spaces en -artikelen, Jira-werkitems en (als je een Rovo-klant bent) alle externe producten die je via Rovo hebt geïntegreerd. Meer informatie over Rovo en externe tools.

Wij zijn van mening dat AI-gerelateerde resources het beste werken in situaties waarin:

Je organisatie heeft veel documentatie in je gekoppelde kennisdatabase-spaces en gekoppelde tools van derden die relevant en nuttig is voor het oplossen van incidenten die zich in je organisatie voordoen.
Je team heeft snelle toegang nodig tot resources die waarschijnlijk relevant zijn voor het incident wanneer ze onderzoek uitvoeren.

Overwegingen bij het gebruik van AI-gerelateerde resources Copy link to heading Copied! Tonen

Vergeet niet dat vanwege de manier waarop de modellen worden gebruikt om AI-gerelateerde resources 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-gerelateerde resources minder nuttig zijn in situaties waarin:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
Je AI-gerelateerde resources nodig hebt om toegang te krijgen tot informatie waar je niet snel toegang tot hebt, zoals beperkte Confluence-documenten (bijvoorbeeld Confluence-pagina's met beperkte toegang), om goed te kunnen reageren op de aanvraag.
Je hebt weinig documentatie beschikbaar in je set-up die Atlassian Intelligence kan gebruiken om gerelateerde bronnen te suggereren.

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

Overweeg ook het volgende:

Rechten herzien om ervoor te zorgen dat gebruikers via tools van derden (zoals Slack-kanalen) voldoende toegang hebben tot je relevante documentatie en bronnen.
Beoordelen en verifiëren dat de documentatie van je organisatie volledig, up-to-date en nauwkeurig is.

Jouw gegevens en AI-gerelateerde resources Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe AI-gerelateerde resources je gegevens gebruiken. Dit gedeelte is een aanvulling op de informatie die beschikbaar is op onze pagina met veelgestelde vragen.

We verwerken het volgende:

Je prompts (inputs) en antwoorden (outputs).
Context van je installatie die relevant is voor je prompt, zoals incidentgegevens, waarschuwingsgegevens, documentatie in je Atlassian-producten en gerelateerde producten van derden, zoals Google Documenten.
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, passen AI-gerelateerde resources 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.
- Ze worden niet opgeslagen door OpenAI of een andere LLM-provider van derden.
- 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 bepaalde Confluence-pagina, vind je die pagina niet in de lijst met gerelateerde resources. Als je niet wilt dat je inhoud beschikbaar is als antwoord voor andere gebruikers van je product, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Hoe AI-suggesties in Jira Service Management gebruikmaken van Atlassian Intelligence Copy link to heading Copied! Tonen

AI-suggesties in Jira Service Management worden mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en andere modellen met een zelflerend systeem. Deze grote taalmodellen omvatten modellen uit de GPT-reeks van OpenAI.

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

Deze grote taalmodellen 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.

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

Usecases voor AI-suggesties in Jira Service Management Copy link to heading Copied! Tonen

Met AI-suggesties in Jira Service Management kan je team snel aan de slag door belangrijke context over je serviceaanvragen en incidenten in één oogopslag te verzamelen. Atlassian Intelligence helpt je team om:

In het geval van serviceaanvragen: een korte samenvatting van het werkitem, de gegevens van de auteur van het werkitem en een lijst met voorgestelde stappen te begrijpen waardoor agents het werkitem op kunnen lossen. Atlassian Intelligence stelt ook manieren voor waarop je team serviceaanvragen kan bijwerken op basis van deze context, zoals het wijzigen van de prioriteit of het toevoegen van een uitvoerder.
In het geval van incidenten: een korte samenvatting van het werkitem en informatie over de mogelijke hoofdoorzaak te begrijpen. Atlassian Intelligence stelt ook manieren voor waarop je team incidenten kan bijwerken op basis van deze context, zoals het identificeren van een incident als een ernstig incident, het toevoegen van respondenten of betrokken services, het wijzigen van de ernst of prioriteit, of het onderzoeken van het probleem door een probleemwerkitem aan te maken.

AI-suggesties in Jira Service Management kunnen agents ook aanbevelen om een aanvraag of incident te escaleren wanneer de toepasselijke SLA dreigt te worden geschonden. In het geval van serviceaanvragen kan deze functie ook suggereren dat agents die aanvraag escaleren wanneer de modellen die worden gebruikt om deze suggesties mogelijk te maken, op basis van de opmerkingen van de auteur, een gevoel van urgentie of boosheid identificeren in de aanvraag.

Wij zijn van mening dat AI-suggesties in Jira Service Management het beste werken in scenario's waarin:

Je projecten veel vergelijkbare aanvragen of incidenten krijgen.
Je organisatie al serviceaanvragen en incidenten registreert in Jira Service Management met volledige, nauwkeurige en actuele informatie.
De gebruikersprofielen van je teamleden zijn ingevuld met informatie over hun rollen, afdelingen en locaties.
Je klanten en teamleden een schriftelijk verslag bijhouden van alle gesprekken door opmerkingen toe te voegen aan werkitems.
Je projecten een aantal van elk type serviceaanvraag of incident bevatten dat je teams vaak tegenkomen.

Overwegingen bij het gebruik van AI-suggesties in Jira Service Management Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om AI-suggesties in Jira Service Management 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 ondervonden dat AI-suggesties in Jira Service Management minder nuttig zijn in scenario's waarin:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
Je suggesties nodig hebt voor een serviceaanvraag of incident in gevallen waarin je project geen soortgelijke aanvragen of incidenten bevat om van te leren.
Je informatie nodig hebt waar je binnen je project geen toegang toe hebt.
Je suggesties nodig hebt voor uitvoerders voor wie informatie over hun functies, afdelingen en locaties niet aan hun profiel is toegevoegd.

Je kunt ook het volgende overwegen:

Teamleden te vragen om ervoor te zorgen dat hun profielgegevens (en incidenten/serviceaanvragen uit het verleden) volledig zijn ingevuld voordat ze AI-suggesties gebruiken in Jira Service Management.

Je gegevens en AI-suggesties in Jira Service Management Copy link to heading Copied! Tonen

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

We verwerken het volgende:

De prompts (inputs) en antwoorden (outputs)
Context van je installatie die relevant is voor de functie, zoals soortgelijke aanvragen of incidenten, een lijst van uitvoerders of teamgenoten, assets en gegevens in een werkitem, zoals veldwaarden, opmerkingen, enz.
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.

Met betrekking tot je gegevens past AI-suggesties 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.
- worden niet gebruikt om OpenAI 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 bepaalde serviceaanvraag of een bepaald incident, zal Atlassian Intelligence die aanvragen of incidenten niet in overweging nemen bij het genereren van suggesties. Als je niet wilt dat je inhoud beschikbaar is voor andere gebruikers in je project of site, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Meer informatie over Atlassian Intelligence Copy link to heading Copied! Tonen

Ontdek meer over het gebruik van Atlassian Intelligence

Hoe automatisering gebruikmaakt van Atlassian Intelligence Copy link to heading Copied! Tonen

Automatisering met Atlassian Intelligence wordt mogelijk gemaakt door large language models (LLM's) die zijn ontwikkeld door OpenAI, Google en Anthropic, evenals een combinatie van grote open-source LLM's (waaronder de Llama-serie, de Phi-serie en de Mixtral-serie) en andere modellen voor zelflerende systemen. Deze large language models 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 de natuurlijke taalinvoer te analyseren en automatiseringsregels voor je te genereren binnen Jira en Confluence.

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

Usecases voor automatisering met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

Automatiseringsregels aanmaken is essentieel voor de dagelijkse automatiseringservaring. We willen dit nog gemakkelijker voor je maken door Atlassian Intelligence toe te voegen aan de samensteller voor automatiseringsregels in Jira en Confluence. Nu kun je eenvoudig automatiseringsregels aanmaken door simpelweg in te voeren wat je wilt automatiseren. Atlassian Intelligence doet vervolgens het zware werk om de regel voor je aan te maken. Meer informatie over automatisering met behulp van Atlassian Intelligence voor Jira en voor Confluence.

We zijn ervan overtuigd dat het gebruik van automatisering met behulp van Atlassian Intelligence voor Jira en Confluence het beste werkt in scenario's wanneer je niet zeker weet hoe je van start gaat of wanneer je het aanmaken van regels wilt versnellen.

Weet je niet zeker hoe je het beste een automatiseringsregel aanmaakt?

Automatiseringsregels worden aangemaakt door een combinatie van verschillende soorten componenten: triggers, acties, voorwaarden en branches. Je kunt componenten zien als de bouwsteen van een regel. Om een effectieve regel aan te maken met Atlassian Intelligence, moet je regel ten minste zowel een trigger als een actie bevatten. Bijvoorbeeld:

In Jira:

Zoek elke maandag alle taken met een vervaldatum in de komende 7 dagen en stuur de uitvoerder ervan een herinneringse-mail.

Als een ticket naar Testen gaat, wijs het ticket dan toe aan John Smith.

In Confluence:

Zoek elke maandag alle taken met een vervaldatum in de komende 7 dagen en stuur de uitvoerder ervan een herinneringse-mail.
Archiveer elke zes maanden alle pagina's die in die tijd niet zijn bijgewerkt. Stuur na het archiveren ter informatie een e-mail naar de auteur van de pagina.
Als een pagina wordt gepubliceerd met een productspecificatie in de titel, maak dan een Jira-ticket aan om de pagina te bekijken met een link naar de pagina.

Bovendien moeten, om een effectieve regel aan te maken, alle componenten ervan worden ondersteund door automatisering met behulp van Atlassian Intelligence. Dit betekent dat alle triggers, acties, voorwaarden of branches in je regel compatibel moeten zijn met automatisering in Jira en/of Confluence.

Overwegingen voor automatisering met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om automatisering aan te drijven met behulp van Atlassian Intelligence, 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 automatisering met behulp van Atlassian Intelligence minder nuttig is in scenario's waarbij:

Je moet automatisering met behulp van Atlassian Intelligence toegang geven tot informatie die niet direct voor jou beschikbaar is (bijvoorbeeld een beperkte pagina of beperkt project) om je aanvraag goed te kunnen beantwoorden.
je eenmalige taken moet uitvoeren;
je informatie moet opvragen vanuit je kennisdatabase.

Automatisering met behulp van Atlassian Intelligence werkt alleen met de bestaande set beschikbare automatiseringscomponenten in Jira en Confluence.

Je zou ook kunnen overwegen om zo specifiek mogelijk te zijn over wat je Atlassian Intelligence vraagt te doen, zoals hierboven beschreven.

Jouw gegevens en automatisering met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

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

We verwerken het volgende:

Je prompts (inputs) en antwoorden (outputs).
Context uit je installatie die relevant is voor je prompt, zoals een Jira-project of een Confluence-pagina.
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 op je gegevens aankomt, worden de volgende maatregelen toegepast als je Atlassian Intelligence gebruikt voor Confluence-automatisering:

Je prompts (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-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 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 specifiek project of pagina, wordt er geen inhoud van die assets 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.

Groepering van waarschuwingen

Hoe er bij het groeperen van waarschuwingen gebruik wordt gemaakt van Atlassian Intelligence Copy link to heading Copied! Tonen

Waarschuwingsgroepering door Atlassian Intelligence wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en Google. Deze modellen omvatten een algoritme dat is ontworpen om patronen in waarschuwingsgegevens te identificeren, en modellen uit de GPT-serie van OpenAI en de modellen uit de Gemini-serie van Google.

Atlassian Intelligence gebruikt deze modellen van zelflerende systemen voor het analyseren en genereren van waarschuwingsgroepen, en om gerelateerde suggesties te geven (eerdere waarschuwingsgroepen en -respondenten) binnen onze producten op basis van de overeenkomst tussen de inhoud van de waarschuwing of van de gebruikte tags. Vervolgens gebruikt Atlassian Intelligence grote taalmodellen om omschrijvingen en inhoud in natuurlijke taal te analyseren en te genereren voor deze groepen binnen onze producten.

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

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

Usecases voor het groeperen van waarschuwingen Copy link to heading Copied! Tonen

Groepering van waarschuwingen maakt gebruik van Atlassian Intelligence om soortgelijke waarschuwingen te identificeren en te groeperen. Het helpt je ook door eerdere soortgelijke waarschuwingsgroepen en -respondenten (of respondententeams) te identificeren en aan te bevelen, op basis van de semantische overeenkomst van de waarschuwingsinhoud of gebruikte tags.

Als je de waarschuwingsgroep naar een incident wilt laten escaleren, wordt bij het groeperen van waarschuwingen ook alle contextuele informatie vooraf ingevuld, zodat je deze kunt bekijken als onderdeel van het aanmaakproces van incidenten.

We zijn van mening dat waarschuwingen groeperen het beste werkt in scenario's waarin:

je organisatie regelmatig te maken krijgt met soortgelijke of dubbele meldingen die zich in grote hoeveelheden voordoen, of ze nu gedurende een korte of langere periode worden ontvangen.
je organisatie meldingen consequent categoriseert met behulp van tags.
je team vaak ontdekt dat soortgelijke of dubbele meldingen omgezet moeten worden in incidenten.

Overwegingen bij het gebruik van waarschuwingsgroepering Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om groeperen van waarschuwingen 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. In het geval van de waarschuwingsgroepen die je ziet, geven ze mogelijk niet precies de semantische overeenkomst van hun tags weer.

We hebben ontdekt dat groepering van waarschuwingen minder nuttig is in situaties waarin:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
je groepering van waarschuwingen nodig hebt om toegang te hebben tot informatie die niet direct beschikbaar is om de waarschuwingen goed te kunnen groeperen. Het groeperen van waarschuwingen werkt binnen de grenzen van de door je team geconfigureerde rollen en rechten. Je hebt dus alleen toegang tot groepen en inzichten voor waarschuwingen die je mag bekijken.
De waarschuwingstags die door je team worden gebruikt, zijn niet consistent en worden niet goed onderhouden. Omdat waarschuwingen worden gegroepeerd op basis van de semantische overeenkomst tussen de titels en tags van waarschuwingen, hangt de kwaliteit van de waarschuwingsgroepen die worden gegenereerd af van de consistentie en hygiëne van de waarschuwingstags die door je team en je organisatie worden gebruikt.

Je zou ook kunnen overwegen om te zorgen dat jij en je team consistente werkwijzen volgen bij het gebruik van waarschuwingstags.

Groepering van je gegevens en waarschuwingen Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe je gegevens worden gebruikt bij het groeperen van waarschuwingen. 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 je waarschuwingsgegevens (waarschuwingstitels, waarschuwingstags, prioriteit, responsteams, omschrijving).
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.

We verwerken je waarschuwingsgegevens om een versie van het model zelflerend systeem te trainen om patronen te herkennen die specifiek zijn voor je meldingen. Deze versie wordt enkel gebruikt om je ervaring te tonen:

We slaan de geïdentificeerde patronen op om je inzichten te geven.
We gebruiken je waarschuwingsgegevens niet om LLM's te trainen.

Wat je gegevens betreft, past het groeperen van waarschuwingen de volgende maatregelen toe:

Je in- en 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 verzoek, en niet voor andere doeleinden.
Deze functie volgt de rechten van je site. Als Atlassian Intelligence bijvoorbeeld 50 meldingen groepeert op basis van hun tags en semantische overeenkomsten en je mag er slechts 30 bekijken, zie je alleen die 30 in de detailweergave van de groep. Als je niet wilt dat je waarschuwingen beschikbaar zijn in het antwoord naar andere gebruikers in je site, overleg dan met je organisatie-/sitebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Hoe Atlassian Intelligence pagina's en blogs samenvat in Confluence Copy link to heading Copied! Tonen

Pagina's en blogs samenvatten met behulp van Atlassian Intelligence 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.

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

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

Korte samenvatting van de usercases voor Confluence Copy link to heading Copied! Tonen

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 Atlassian Intelligence. Meer informatie over het gebruik van Atlassian Intelligence in Confluence.

Wij zijn van mening dat het samenvatten van pagina's en blogs met behulp van Atlassian Intelligence het beste werkt in scenario's waarbij:

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.

Overwegingen bij het samenvatten van pagina's en blogs met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om pagina's en blogs samen te vatten met behulp van Atlassian Intelligence, 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.

Terwijl we blijven werken 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 Atlassian Intelligence minder zinvol is in scenario's waarbij:

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

Je kunt ook het volgende overwegen:

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

Je gegevens en het samenvatten van pagina's en blogs met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Atlassian Intelligence je gegevens gebruikt voor Confluence-automatisering. 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 Atlassian Intelligence 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 verzoek, 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 een pagina niet samenvatten met behulp van Atlassian Intelligence. 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.

Definieer termen met behulp van Atlassian Intelligence

Hoe Atlassian Intelligence termen definieert Copy link to heading Copied! Tonen

Het definiëren van termen met Atlassian Intelligence in Confluence en Jira 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 voor analyse en om om antwoorden in natuurlijke taal te genereren in Confluence en Jira.

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.

Usecases voor het definiëren van termen met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

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 behulp van Atlassian Intelligence, krijg je de definitie van bedrijfsspecifieke termen (zoals acroniemen, project-, systeem- en teamnamen) op een pagina in Confluence of in een werkitemomschrijving in Jira. Dit geeft gebruikers de informatie die ze nodig hebben, wanneer ze die nodig hebben en dat alles terwijl teams beter kunnen samenwerken.

Atlassian Intelligence kan je tijd besparen door deze dingen voor je te definiëren, zonder dat je wat je aan het lezen bent hoeft te sluiten.

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 Atlassian Intelligence in Confluence en Jira het beste werkt in deze situaties:

Een bedrijf heeft meerdere pagina's in zijn Confluence-installatie waarin wordt vermeld, beschreven of uitgelegd wat een specifieke term is waar Atlassian Intelligence naar verwijst.

Overwegingen bij het definiëren van termen met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om termen te definiëren met behulp van Atlassian Intelligence 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 Atlassian Intelligence minder nuttig is in de scenario's waarbij:

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 je voor het definiëren van termen met behulp van Atlassian Intelligence afhankelijk bent 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 Atlassian Intelligence niet werkt zoals verwacht in Confluence-spaces en Jira-installaties die content in meerdere talen bevatten.

Je gegevens en het definiëren van termen met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe je gegevens worden gebruikt bij het definiëren van termen met behulp van Atlassian Intelligence. 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 Atlassian Intelligence gebruikt voor het definiëren van termen:

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 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.

Generatieve AI in de editor

Hoe Atlassian Intelligence in de bewerkingservaringen werkt Copy link to heading Copied! Tonen

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

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

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

Usecases voor generatieve AI in de editor Copy link to heading Copied! Tonen

Atlassian Intelligence 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 Atlassian Intelligence in bewerkingservaringen het beste werkt in scenario's waarbij:

Bestaande inhoud wordt getransformeerd voor verschillende doelgroepen. Atlassian Intelligence helpt om de toon te veranderen, het schrijven te verbeteren en technische informatie begrijpelijker te maken voor andere teams. Dit werkt het beste voor teams die hun schrijfstijl professioneler en beknopter willen maken.
Een samenvatting wordt gemaakt van de bestaande inhoud. Met Atlassian Intelligence kun je ruwe notities omzetten in nuttige strategiedocumentatie, artikelen uit de kennisdatabase, campagneplannen en meer. 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 en waar er veel context is om uit te zoeken.
Nieuwe inhoud wordt gegenereerd. Atlassian Intelligence helpt je bij het opstellen van nieuwe inhoud, zoals strategiepagina's, projectoverzichten, releasenotes of userstory's. Dit werkt het beste als teams duidelijke, specifieke aanwijzingen gebruiken, met een specifiek doel voor ogen.

Overwegingen bij het gebruik van Atlassian Intelligence in bewerkingservaringen Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt voor Atlassian Intelligence in bewerkingservaringen, 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 Atlassian Intelligence in bewerkingservaringen te gebruiken in scenario's waarbij:

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.

Je kunt ook het volgende overwegen:

Wees zo specifiek mogelijk over wat je van Atlassian Intelligence vraagt.
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.

Jouw gegevens en Atlassian Intelligence in bewerkingservaringen Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Atlassian Intelligence je gegevens gebruikt bij bewerkingservaringen. 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 vraag, zoals het product waarmee je Atlassian Intelligence 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 Atlassian Intelligence de volgende maatregelen toe tijdens bewerkingservaringen:

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 verzoek, 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.

Hoe de werkitemherindeler gebruikmaakt van Atlassian Intelligence Copy link to heading Copied! Tonen

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

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

Deze modellen genereren reacties op basis van jouw invoer 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.

Gebruiksscenario's voor de werkitemherindeler Copy link to heading Copied! Tonen

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.

Overwegingen bij het gebruik van de werkitemherindeler Copy link to heading Copied! Tonen

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 Atlassian Intelligence gebruikt. Ook raden we je aan altijd 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.

Je gegevens en de werkitemherindeler Copy link to heading Copied! Tonen

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 Atlassian Intelligence Copy link to heading Copied! Tonen

Ontdek meer over het gebruik van Atlassian Intelligence

Werkitemgegevens samenvatten in Jira Service Management

Hoe Atlassian Intelligence werkitemgegevens samenvat in Jira Service Management Copy link to heading Copied! Tonen

Werkitemgegevens samenvatten met behulp van Atlassian Intelligence 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.

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

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

Gebruiksscenario's voor het samenvatten van werkitemgegevens in Jira Service Management Copy link to heading Copied! Tonen

In plaats van lange omschrijvingen en talloze opmerkingen over een Jira Service Management-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 een omschrijving en opmerkingen in het Engels.
werkitems met veel opmerkingen en/of lange opmerkingen en omschrijvingen.

Overwegingen bij het samenvatten van werkitemgegevens met Atlassian Intelligence Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werkitemgegevens samen te vatten met Atlassian Intelligence 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:

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

Je gegevens en het samenvatten van werkitemgegevens met Atlassian Intelligence Copy link to heading Copied! Tonen

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 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.

De volgende maatregelen worden toegepast met betrekking tot je gegevens als je Atlassian Intelligence 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.

Generatieve AI in de editor

Hoe Atlassian Intelligence Smart Links samenvat Copy link to heading Copied! Tonen

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.

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.

Gebruikersscenario's van het samenvatten van Smart Links Copy link to heading Copied! Tonen

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.

Overwegingen bij het samenvatten van Smart Links met Atlassian Intelligence Copy link to heading Copied! Tonen

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.

Je gegevens en het samenvatten van Smart Links met Atlassian Intelligence Copy link to heading Copied! Tonen

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 uitvoer alleen voor het verwerken van je verzoek, 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.

Atlassian Intelligence-antwoorden in Jira Service Management

Hoe de virtuele serviceagent van Jira Service Management Atlassian Intelligence gebruikt Copy link to heading Copied! Tonen

De virtuele serviceagent van Jira Service Management wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en Google, en open source grote taalmodellen (waaronder de Llama-serie).

De virtuele serviceagent gebruikt deze modellen als volgt:

Intenties: elke intentie is een specifiek(e) probleem, vraag of aanvraag waarbij de virtuele serviceagent klanten kan helpen. De intenties worden getraind met behulp van een model met een zelflerend systeem dat is afgestemd op je organisatie, gebaseerd op een set trainingsgegevens (hieronder staat meer informatie, onder 'Jouw gegevens en de virtuele serviceagent'). Dit model wordt gebruikt om inzicht te krijgen in klantvragen in de context van je organisatie. Meer informatie over intenties.
Atlassian Intelligence antwoorden gebruiken generatieve kunstmatige intelligentie om in je gekoppelde Confluence-kennisdatabases te zoeken en de antwoorden samen te vatten als reactie op de vragen van je klanten. Atlassian Intelligence antwoorden worden mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI en andere modellen met een zelflerend systeem. Ontdek meer informatie over Atlassian Intelligence antwoorden.
Intentiesjablonen 'op basis van je gegevens' worden gegenereerd op basis van de werkitems van je project. We gebruiken machine learning om de meest voorkomende thema's te groeperen, een intentie voor elke groep voor te stellen en vervolgens titels, omschrijvingen en trainingszinnen te genereren voor elke voorgestelde intentie. Intentiesjablonen 'op basis van je gegevens' worden mogelijk gemaakt door een combinatie van modellen met een zelflerend systeem, waaronder grote taalmodellen. Ontdek meer over intentiesjablonen.

Hoe grote taalmodellen werken: grote taalmodellen 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.

De grote taalmodellen die worden gebruikt voor de virtuele serviceagent zijn onder andere de GPT-serie van OpenAI en de Gemini-serie van Google.

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

Usecases voor de virtuele serviceagent van Jira Service Management Copy link to heading Copied! Tonen

De virtuele serviceagent helpt teams bij het automatiseren van supportinteracties op niveau 1, mogelijk gemaakt door een Atlassian Intelligence-machine voor gesprekken die de intentie, context en rechten analyseert en begrijpt om interacties te personaliseren.

Met behulp van Atlassian Intelligence helpt de virtuele serviceagent teams hun servicedesks op te schalen en hun klanten tevreden te stellen met drie belangrijke mogelijkheden:

Intenties worden aangemaakt door je projectbeheerder en staan voor een specifiek probleem, een specifieke vraag of aanvraag waarbij je virtuele serviceagent kan helpen het probleem op te lossen voor je klanten.
De Atlassian Intelligence antwoorden gebruiken generatieve kunstmatige intelligentie om in je gekoppelde kennisdatabases te zoeken en de antwoorden op de vragen van je klanten samen te vatten.
Intentiesjablonen 'op basis van je gegevens' zijn gepersonaliseerde suggesties voor intentiesjablonen die worden gegenereerd door de Jira Service Management-werkitems van je project te groeperen, waardoor je projectbeheerders nog sneller intenties kunnen aanmaken.

De virtuele serviceagent is beschikbaar in meerdere kanalen, waaronder Slack, Microsoft Teams, de Jira Service Management-portal en meer. Ontdek meer informatie over welke kanalen beschikbaar zijn voor de virtuele serviceagent.

Wij zijn van mening dat de virtuele serviceagent het beste werkt in situaties waarin:

Je serviceteams een groot aantal vragen op niveau 1 ontvangt.
Je agents steeds dezelfde vragen moeten beantwoorden.
Je een complete, actuele gekoppelde kennisdatabase hebt die de virtuele serviceagent kan gebruiken om antwoorden te geven op vragen van klanten.
Je serviceteams vaak aanvragen ontvangt met meerdere mogelijke oplossingen, die geschikt zijn voor de beide mogelijkheden voor virtuele serviceagent op projectniveau — intenties en antwoorden van Atlassian Intelligence:
- Intenties werken het best wanneer er actie moet worden ondernomen om aanvragen van klanten op te lossen (bijvoorbeeld door een werkitem aan te maken dat een agent vervolgens kan oplossen), of wanneer er een lang gesprek nodig is om informatie van een klant te verzamelen. Intenties zijn ook ideaal voor scenario's waarin je een vaste, deterministische uitkomst nodig hebt voor specifieke aanvragen, aangezien intenties meer controle geven over welke informatie met je klanten wordt gedeeld.
- Atlassian Intelligence antwoorden werken het beste wanneer aanvragen van klanten kunnen worden opgelost door informatie en instructies te geven, zonder tussenkomst van een agent.
In het geval van sjablonen 'op basis van je gegevens':
- Je project minstens 50 werkitems heeft ontvangen, zodat de suggesties voor de intentiesjabloon toegang hebben tot voldoende informatie om nuttig te zijn.
- Je onlangs te maken hebt gehad met een verandering in het gedrag van klanten, zoals een aanstaande gebeurtenis of zelfs een technische storing, aangezien intentiesjablonen 'op basis van je gegevens' recente, veelvoorkomende vragen van klanten identificeren en groeperen.

Overwegingen bij het gebruik van Atlassian Intelligence-antwoorden in Jira Service Management Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om de virtuele serviceagent mogelijk te maken soms onnauwkeurig, onvolledig of onbetrouwbaar kunnen zijn.

De antwoorden 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 virtuele serviceagent minder nuttig is in situaties waarin:

Je weinig aanvragen op niveau 1 ontvangt van klanten.
Je nog niet alle mogelijkheden van de virtuele serviceagent benut, bijvoorbeeld door intenties aan te maken (of door intentiesjablonen 'op basis van je gegevens' te gebruiken), of door Atlassian Intelligence antwoorden in te schakelen.
In het geval van intenties:
- Je trainingszinnen hebt toegevoegd die te breed of te divers van betekenis zijn. Het verbinden van intenties werkt het best als de intenties specifiek zijn.
- Je trainingszinnen hebt toegevoegd die niet nauwkeurig weergeven hoe klanten doorgaans vragen stellen. De verbinding gebeurt op basis van semantiek en zoekt naar een vergelijkbare betekenis tussen trainingszinnen en de vraag van klanten.
- Je meerdere intenties hebt aangemaakt die te veel op elkaar lijken. Het overlappen van onderwerpen tussen intenties kan de virtuele serviceagent in verwarring brengen en ertoe leiden dat de verkeerde intentie wordt gesuggereerd.
In het geval van de Atlassian Intelligence antwoorden:
- Klanten actuele en nauwkeurige informatie nodig hebben over mensen, plaatsen en feiten.
- Klanten Atlassian Intelligence antwoorden nodig hebben om toegang te krijgen tot informatie die niet direct voor hen beschikbaar is (bijvoorbeeld in een gekoppelde kennisdatabase waartoe ze geen toegang hebben) om een vraag te beantwoorden.
- Je kennisdatabase verouderd of onvolledig is, of de artikelen niet gedetailleerd genoeg zijn om vragen goed te kunnen beantwoorden.
In het geval van intentiesjablonen 'op basis van je gegevens': de gegevens die beschikbaar zijn in de werkitems van je Jira Service Management-project van slechte kwaliteit zijn (of je minder dan 50 werkitems hebt), zodat er geen nuttige groepen kunnen worden gevonden.

We raden je aan om na te denken over de situaties waarin je Atlassian Intelligence zou gebruiken en de prestaties van de virtuele serviceagent te beoordelen voordat je deze inschakelt voor klanten. Ontdek meer informatie over het verbeteren van de prestaties van je virtuele serviceagent.

Je kunt ook het volgende overwegen:

Je klanten aansporen om zo specifiek mogelijk te zijn wanneer ze de virtuele serviceagent om hulp vragen.
Je gekoppelde kennisdatabase voortdurend herzien en bijwerken om ervoor te zorgen dat deze volledig en actueel blijft. Ontdek hoe je je kennisdatabase kunt opzetten om de kwaliteit van Atlassian Intelligence antwoorden te verbeteren.
Proactief de rechten en beperkingen die van toepassing zijn op je gekoppelde kennisdatabase beoordelen, zodat de virtuele serviceagent toegang heeft tot de juiste informatie.

Jouw gegevens en de virtuele serviceagent Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe de virtuele serviceagent van Jira Service Management 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 prompt, zoals een Confluence-artikel uit je gekoppelde kennisdatabase dat wordt samengevat in een Atlassian Intelligence antwoord, of je eerdere Jira-tickets om voorgestelde intenties te genereren.
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 virtuele serviceagent de volgende maatregelen toe:

In het geval van het verbinden van intenties in de projectkanalen van Jira Service Management:
- Intenties (waaronder intentiesjablonen 'op basis van je gegevens') worden getraind via een model zelflerend systeem dat is afgestemd op je organisatie, gebaseerd op een door jou verstrekte trainingsgegevensset. Dit omvat intenties en trainingszinnen die zijn aangemaakt door je projectbeheerder, of die door ons zijn voorgesteld in standaardintentiesjablonen of intentiesjablonen 'op basis van je gegevens'.
- De trainingsgegevens en het getrainde model zelflerend systeem dat voor je organisatie is ontwikkeld, wordt niet gedeeld met andere klanten van Atlassian.
- De training wordt uitsluitend uitgevoerd op projectniveau. Dit betekent dat intenties worden getraind op basis van de trainingszinnen die door de beheerders worden gegeven tijdens het aanmaken van de intentie, en dat beheerders volledige controle hebben over de trainingsgegevens. Gegevens worden niet gebruikt voor meerdere projecten op één site.
- Deze modellen worden opgeslagen op een Jira Service Management-site en worden verwijderd wanneer je je site verwijdert.
In het geval van het verbinden van intenties in de helpcentra van Jira Service Management:
- We maken en bewaren vectoren, in overeenstemming met de vereisten voor de gegevenslocatie.
- Deze modellen worden opgeslagen op een Jira Service Management-site en worden verwijderd wanneer je je site verwijdert.
In het geval van de Atlassian Intelligence antwoorden:
- Je vragen (inputs) en antwoorden (outputs):
  - Zijn niet beschikbaar voor andere klanten.
  - Zijn niet beschikbaar voor een andere externe LLM-provider naast OpenAI of Google.
  - Worden niet door LLM-providers opgeslagen.
  - Worden niet gebruikt om grote taalmodellen te verbeteren.
  - Worden alleen gebruikt om je ervaring te verbeteren.
- Deze functie hanteert de toegepaste rechten en beperkingen voor je gekoppelde kennisdatabase. Dit betekent dat alle pagina's die voor klanten beschikbaar zijn in de Jira Service Management-portal beschikbaar zullen zijn voor de antwoorden van Atlassian Intelligence bij het beantwoorden van klanten. Als bijvoorbeeld de toegang tot een bepaalde Confluence-pagina is beperkt en deze niet algemeen beschikbaar is via Jira Service Management, wordt de inhoud van die pagina niet gebruikt in een antwoord van Atlassian Intelligence. Als je niet wilt dat je inhoud beschikbaar is in antwoorden naar andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.
In het geval van intentiesjablonen 'op basis van je gegevens':
- Je ticketgegevens voor Jira Service Management (invoer) en de voorgestelde intentiesjablonen die op basis van die gegevens zijn aangemaakt (uitvoer):
  - Zijn niet beschikbaar voor andere klanten.
  - Zijn niet beschikbaar voor een andere externe LLM-provider naast OpenAI of Google.
  - Worden niet door LLM-providers opgeslagen.
  - Worden niet gebruikt om grote taalmodellen te verbeteren.
  - Worden alleen gebruikt om je ervaring te verbeteren.
- Analyses van Jira Service Management-werkitems en chattranscripties die door je klanten zijn ingediend in het gekoppelde Jira Service Management-project, worden uitsluitend gebruikt om je ervaring te verbeteren.
OpenAI is een subverwerker die op onze pagina met subverwerkers staat. Deze verwerkers gebruiken je in- en uitvoer alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.

Werkitemgegevens samenvatten met Atlassian Intelligence

Hoe Atlassian Intelligence werkitemgegevens samenvat in Jira Copy link to heading Copied! Tonen

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.

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

Over het samenvatten van werkitemgegevens met Atlassian Intelligence Copy link to heading Copied! Tonen

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.

Beperkingen en overwegingen bij het samenvatten van werkitemgegevens met Atlassian Intelligence Copy link to heading Copied! Tonen

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.

Je gegevens en het samenvatten van werkitemgegevens met Atlassian Intelligence Copy link to heading Copied! Tonen

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

Hoe werk uitsplitsen met AI gebruikmaakt van Atlassian Intelligence Copy link to heading Copied! Tonen

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.

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

Over werk uitsplitsen met AI Copy link to heading Copied! Tonen

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.

Beperkingen en overwegingen bij het gebruik van werk uitsplitsen met AI Copy link to heading Copied! Tonen

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).

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.

Je gegevens en werk uitsplitsen met AI Copy link to heading Copied! Tonen

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.

Meer informatie over Atlassian Intelligence Copy link to heading Copied! Tonen

Ontdek meer over het gebruik van Atlassian Intelligence

Hoe incident aanmaken gebruik maakt van Atlassian Intelligence Copy link to heading Copied! Tonen

Het aanmaken van incidenten met AI met Atlassian Intelligence 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.

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.

Usecases voor incident aanmaken met AI Copy link to heading Copied! Tonen

Bij het escaleren van een of meer waarschuwingen of waarschuwingsgroepen naar een incident in Jira Service Management, gebruikt Incident aanmaken met AI Atlassian Intelligence om snel alle contextuele informatie vooraf in te vullen, zodat je deze kunt bekijken als onderdeel van het proces voor het aanmaken van incidenten. Zo kunnen gebruikers snel de context begrijpen van het incident dat is ontstaan op basis van die waarschuwingen of waarschuwingsgroepen, en kunnen ze vooraf ingevulde informatie, waaronder de titel, omschrijving en prioriteit van de waarschuwing, bekijken en bevestigen wanneer deze wordt geëscaleerd tot een incident.

We zijn van mening dat Incident aanmaken met AI het beste werkt wanneer:

de waarschuwingen dat je naar een incident escaleert, een Engelse titel en omschrijvingen hebben.
de waarschuwingen dat je naar een incident escaleert, uitgebreide omschrijvingen bevatten.
je een incident aanmaakt op basis van meer dan één waarschuwing.

Overwegingen bij het gebruik van Incident aanmaken met AI Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om Incident aanmaken met AI 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 gemerkt dat Incident aanmaken met AI minder nuttig is wanneer:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
de waarschuwingen dat je naar een incident escaleert een titel of omschrijving (of beide) in een andere taal dan het Engels hebben.
de waarschuwingen dat je naar een incident escaleert, slechts beperkte informatie bevatten.

Om de meest bruikbare resultaten te krijgen, raden we je aan om zo specifiek mogelijk te zijn over wat je van Atlassian Intelligence vraagt.

Je zou ook kunnen overwegen om zo specifiek mogelijk te zijn in wat je Atlassian Intelligence vraagt te doen.

Je gegevens en het aanmaken van incidenten met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Incident aanmaken met AI 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 omschrijving, titel en prioriteit van de Jira Service Management-waarschuwing.
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, worden voor het aanmaken van incidenten met AI de volgende maatregelen 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 uitvoer alleen voor het verwerken van je aanvraag en niet voor andere doeleinden.
Deze functie volgt de rechten voor waarschuwingen van je installatie. Alleen agents met rechten om de waarschuwing te bekijken en deze te laten escaleren naar een incident, krijgen suggesties van Atlassian Intelligence te zien om de gegevens in te vullen voor het incident dat wordt aangemaakt.

Post Incident Review aanmaken

Hoe Post Incident Review aanmaken gebruik maakt van Atlassian Intelligence Copy link to heading Copied! Tonen

PIR (Post Incident Review) aanmaken door Atlassian Intelligence wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI. Deze grote taalmodellen omvatten modellen uit de GPT-reeks van OpenAI. Atlassian Intelligence gebruikt deze modellen om natuurlijke taal in onze producten te analyseren en te genereren.

Deze modellen genereren reacties op basis van de input van gebruikers 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 de modellen zijn getraind.

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

Usecases voor Post Incident Review aanmaken met AI Copy link to heading Copied! Tonen

PIR's vormen een belangrijk onderdeel van het proces voor incidentmanagement en helpen incidentresponders en -managers om te leren van actuele incidenten en inzichten te delen om soortgelijke incidenten in de toekomst te voorkomen. Atlassian Intelligence versnelt de tijdrovende taak van het samenstellen van een PIR door een PIR-omschrijving voor te stellen op basis van relevante contextuele informatie in je Jira Service Management-installatie en chattools zoals Slack die je kunt bekijken.

We zijn van mening dat het aanmaken van PIR met AI het beste werkt wanneer:

Je organisatie een consistente werkwijze gebruikt om PIR's op te stellen voor incidenten.
Je team incidentgegevens heeft die zijn verspreid over chattools zoals Slack en Jira Service Management, waardoor je meer tijd moet besteden aan het samenstellen van een PIR op basis van die bronnen.
Je organisatie incidenten registreert in Jira Service Management met volledige, actuele informatie.

Overwegingen bij het gebruik van Post Incident Review aanmaken met AI Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om het aanmaken van PIR 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 het aanmaken van PIR door middel van AI minder nuttig is in situaties waarin:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
PIR aanmaken toegang moet hebben tot informatie die niet direct beschikbaar is voor jou (bijvoorbeeld chatkanalen waar je geen toegang toe hebt) om de PIR-omschrijving goed te kunnen genereren.
De gegevens die beschikbaar zijn in je Jira Service Management-installatie onvolledig of onvoldoende gedetailleerd zijn, waardoor de PIR aanmaken mogelijk geen nauwkeurige omschrijving kan genereren.

Je kunt ook het volgende overwegen:

Wees zo specifiek mogelijk over wat je van Atlassian Intelligence wilt.
Zorg ervoor dat jij en je team de procedures voor incidentmanagement consequent volgen. Bijvoorbeeld door volledige en nauwkeurige details van incidenten vast te leggen in je Jira Service Management-installatie en de relevante chatkanalen aan het incident te koppelen.

Je gegevens en Post Incident Review aanmaken met behulp van AI Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Post Incident Review aanmaken met behulp van AI 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 incidentgegevens (zoals samenvatting, labels, prioriteit, teams van responders en omschrijving), gekoppelde waarschuwingen en gekoppelde Slack-chatkanalen.
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 PIR aanmaken 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.
- Worden niet gebruikt om OpenAI-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 functie volgt de rechten van je installatie. Als je bijvoorbeeld geen toegang hebt tot de gekoppelde waarschuwingen van het incident of gekoppelde Slack-kanalen, wordt er geen inhoud van deze bronnen 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.

Genereer omschrijvingen van pull requests met Atlassian Intelligence

Hoe Bitbucket Cloud Atlassian Intelligence gebruikt om omschrijvingen van pull requests te genereren Copy link to heading Copied! Tonen

Het genereren van omschrijvingen van pull requests met Atlassian Intelligence 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 en codes in onze producten te analyseren en te genereren.

Deze modellen genereren antwoorden op basis van jouw invoer 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 ze de modellen 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.

Usecases voor het genereren van pull request-omschrijvingen met Atlassian Intelligence Copy link to heading Copied! Tonen

Met Atlassian Intelligence kun je inhoud genereren, transformeren en samenvatten terwijl je omschrijvingen of opmerkingen van pull requests schrijft in de codebeoordelingservaring van Bitbucket Cloud. Dit omvat:

Een omschrijving van een pull request genereren op basis van de codewijzigingen in de pull request.
De toon van een pull request-omschrijving samenvatten, verbeteren of veranderen.
De toon van een pull request-opmerking samenvatten, verbeteren of veranderen.

We zijn van mening dat het genereren van pull-request-omschrijvingen van Bitbucket Cloud met Atlassian Intelligence het beste werkt in scenario's waarin:

Als code-auteur wil je dat Atlassian Intelligence je helpt bij het schrijven of verbeteren van een pull request-omschrijving. Dit werkt het beste voor teams die kunnen beoordelen en bevestigen dat de inhoud die door Atlassian Intelligence wordt gegenereerd geschikt is om de pull request te omschrijven.
Als code-beoordelaar wil je dat Atlassian Intelligence je helpt bij het verbeteren van de toon of de inhoud van een pull request-opmerking die je al hebt opgesteld.

Overwegingen bij het genereren van pull request-omschrijvingen met Atlassian Intelligence Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om deze functie 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 het genereren van pull request-omschrijvingen van Bitbucket Cloud met Atlassian Intelligence minder goed werkt in scenario's waarin:

Je hebt je pull request-omschrijving nodig om te verwijzen naar informatie die nog niet aanwezig is in de codewijzigingen (bijvoorbeeld de broncode die ergens anders in de repository staat).
Je kunt niet beoordelen en bevestigen dat de inhoud die door Atlassian Intelligence wordt gegenereerd een nauwkeurige weergave is van de pull request.
Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.

Je kunt ook het volgende overwegen:

Wees zo specifiek mogelijk over wat je van Atlassian Intelligence vraagt.
Proeflees, beoordeel en bewerk de output die wordt gegenereerd door de AI-schrijfassistent om te zorgen voor een goede nauwkeurigheid en duidelijkheid.
Werk samen met anderen om feedback te verzamelen en de kwaliteit van je output te verbeteren.

Je gegevens en pull request-omschrijvingen genereren met Atlassian Intelligence Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe het definiëren van termen met behulp van Atlassian Intelligence in Confluence 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 vraag, zoals:
- de codewijzigingen en commit-berichten in je pull request
- de inhoud van je pull request-omschrijving
- de inhoud van je pull request-opmerking
Gegevens over je interactie met onze functies, zoals clickstreamgegevens en de mensen met wie je samenwerkt
Feedback die je wilt geven over deze functie

Als het op je gegevens aankomt, worden de volgende maatregelen toegepast als je Atlassian Intelligence gebruikt voor het genereren van pull request-omschrijvingen:

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.

Genereer SQL-query's in Atlassian Analytics

Hoe Atlassian Intelligence SQL-query's genereert in Atlassian Analytics Copy link to heading Copied! Tonen

Het genereren van SQL-query's met Atlassian Intelligence in Atlassian Analytics 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 te analyseren en te begrijpen, en vertaalt deze vervolgens naar gestructureerde zoekopdrachten (SQL) binnen Atlassian Analytics.

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.

Usercases voor het genereren van SQL-query's met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

Stel Atlassian Intelligence een vraag in natuurlijke taal en laat die vertalen naar SQL, in plaats van je eigen SQL-query's helemaal opnieuw te schrijven. Nadat je een vraag hebt gesteld, gebruikt Atlassian Intelligence het Atlassian Data Lake-schema van de door jou geselecteerde gegevensbron om een SQL-query te genereren die kan worden gebruikt om diagrammen te maken op je Atlassian Analytics-dashboards, en die je ook kan helpen meer te weten te komen over het schema in de Data Lake.

Wij zijn van mening dat het genereren van SQL-query's met behulp van Atlassian Intelligence het beste werkt in scenario's waarbij:

Je een aangepaste grafiek wilt maken die begint met de gegenereerde SQL en waar nodig de query verfijnen.
De vraag over natuurlijke taal woorden en concepten omvat waarnaar wordt verwezen in het Atlassian Data Lake-schema, waarbij je zo specifiek mogelijk bent.
Je het Atlassian Data Lake-schema wilt ontdekken en er meer over leren.

Overwegingen bij het genereren van SQL-query's met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om SQL-query's te genereren met behulp van Atlassian Intelligence, 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 genereren van SQL-query's met Atlassian Intelligence minder nuttig is in scenario's waarbij:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
Je deze functie nodig hebt om toegang te verkrijgen tot informatie die niet direct beschikbaar is in het Atlassian Data Lake-schema (bijvoorbeeld gegevens voor Advanced Roadmaps) om de vraag goed te kunnen beantwoorden.
De vraag bevat verwijzingen naar aangepaste velden.
De vraag wordt gesteld in een andere taal dan in het Engels.
Je bent niet voldoende vertrouwd met SQL om de SQL te valideren die door Atlassian Intelligence wordt teruggegeven.

Je kunt ook het volgende overwegen:

Wees zo specifiek mogelijk over wat je van Atlassian Intelligence vraagt.
Zorg ervoor dat de Atlassian Data Lake-gegevensbron die je gebruikt de gegevens bevat die nodig zijn om je vraag te beantwoorden.

Jouw gegevens en het genereren van SQL-query's met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Atlassian Intelligence je gegevens gebruikt bij het genereren van SQL-query's. 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, inclusief de openbaar beschikbare Atlassian Data Lake-schema's die van toepassing zijn op je installatie.
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 Atlassian Intelligence gebruikt voor het genereren van SQL-query's.

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 staan 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 in je Atlassian Data Lake-verbinding. Als je bijvoorbeeld geen toegang hebt tot een Atlassian Data Lake-verbinding, kun je geen SQL bouwen om die op te vragen.

Zoek antwoorden in Confluence

Hoe Atlassian Intelligence antwoorden zoekt in Confluence Copy link to heading Copied! Tonen

Het zoeken van antwoorden in Confluence met Atlassian Intelligence 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.

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.

Usercases voor het zoeken naar antwoorden in Confluence Copy link to heading Copied! Tonen

De kennisdatabases groeien zo snel dat gebruikers het niet bij kunnen houden. Het zoeken naar antwoorden in Confluence met behulp van Atlassian Intelligence biedt een snellere weg naar belangrijke informatie die klanten nodig hebben om verder te kunnen met hun werk. Met deze functie kun je gemakkelijk de informatie vinden die je nodig hebt. Atlassian Intelligence begrijpt wat voor soort vragen je aan een teamgenoot zou stellen en beantwoordt ze meteen. Meer informatie over hoe je Atlassian Intelligence kunt gebruiken om antwoorden te zoeken in Confluence.

Wij zijn van mening dat het zoeken naar antwoorden in Confluence met behulp van Atlassian Intelligence het beste werkt als je Confluence-site vol staat met gedetailleerde, volledige en actuele inhoud.

Deze functie genereert geen nieuwe inhoud, maar doorzoekt Confluence-pagina's en -blogs (met inachtneming van de beperkingen) om een antwoord op je vraag te vinden. Atlassian Intelligence genereert antwoorden uitsluitend op basis van wat er in je Confluence-installatie staat en waar jij specifiek toegang tot hebt.

Overwegingen bij het zoeken naar antwoorden met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om antwoorden te zoeken in Confluence met behulp van Atlassian Intelligence, 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 zoeken naar antwoorden in Confluence met Atlassian Intelligence minder nuttig is in scenario's waarbij:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
Je hebt actuele en nauwkeurige gegevens nodig over gegevens die vaak veranderen (bijvoorbeeld een roadmap die maandelijks wordt bijgewerkt).
Je hebt actuele en nauwkeurige gegevens nodig over specifieke mensen en de rol die ze spelen in je organisatie.
Je hebt toegang nodig tot gegevens die niet direct beschikbaar zijn (bijvoorbeeld beperkte pagina's in je Confluence-installatie) om je vraag goed te kunnen beantwoorden.
Het antwoord bestaat uit een reeks verschillende waarden of categorieën (bijvoorbeeld statistieken die elke week worden bijgewerkt).
Je hebt antwoorden nodig die nuancering, complexiteit of een menselijke manier van redeneren vereisen.

Je kunt ook het volgende overwegen:

Wees zo specifiek mogelijk over wat je van Atlassian Intelligence vraagt.
Stel vragen over dingen waarvan je weet dat ze zijn gedocumenteerd in je Confluence-installatie en waartoe je toegang hebt.

Je gegevens en het zoeken naar antwoorden in Confluence met Atlassian Intelligence Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Atlassian Intelligence je gegevens gebruikt bij het zoeken naar antwoorden in Confluence. 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 drie bovenste pagina's die omhoog komen bij een Confluence-zoekopdracht.
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.

De volgende maatregelen worden toegepast met betrekking tot je gegevens als je Atlassian Intelligence gebruikt voor het zoeken naar antwoorden in Confluence:

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. Als je bijvoorbeeld geen toegang hebt tot een specifieke Confluence-pagina, gebruikt deze functie geen inhoud van die pagina in het antwoord dat je ziet. Als je niet wilt dat je inhoud beschikbaar is in antwoorden naar andere gebruikers in je installatie, overleg dan met je organisatiebeheerder om ervoor te zorgen dat je rechten juist zijn ingesteld.

Werkitems zoeken in Jira

Hoe Atlassian Intelligence werkitems zoekt in Jira Copy link to heading Copied! Tonen

Het zoeken van werkitems met Atlassian Intelligence in Jira 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 large language models 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 te analyseren en te begrijpen, en vertaalt deze vervolgens naar Jira Query Language-code (JQL) in onze producten.

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.

Gebruiksscenario's voor het zoeken van werkitems in Jira Copy link to heading Copied! Tonen

Je kunt Atlassian Intelligence nu vragen wat je wilt in alledaagse taal in plaats van dat je complexe vragen moet stellen. Door werkitems te zoeken met behulp van Atlassian Intelligence, wordt je vraag vertaald in een JQL-zoekopdracht die je snel helpt bij het zoeken naar specifieke werkitems.

Wij zijn van mening dat het zoeken naar werkitems met behulp van Atlassian Intelligence het beste werkt in scenario's waarbij:

Je zoekt naar Jira-werkitems met behulp van werkitemvelden die beschikbaar zijn in je Jira-project.
De zoekopdracht specifieke velden en waarden bevat die je kunnen helpen om je zoektocht naar een werkitem specifieker te maken.
De velden en waarden waar je naar op zoek bent in je Jira-project staan.
Je zoekopdracht Engelstalig is.
De zoekopdracht kan worden vertaald naar JQL. Aangezien Atlassian Intelligence vragen omzet in JQL-code, kan input met trefwoorden die naar JQL kunnen worden vertaald, betere resultaten opleveren.

Overwegingen bij het zoeken naar werkitems met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werkitems te zoeken met behulp van Atlassian Intelligence, 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 zoeken naar werkitems met Atlassian Intelligence minder nuttig is in scenario's waarbij:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
Je op zoek bent naar Jira-entiteiten die geen werkitems zijn, zoals projecten, borden of gebruikers.
Je zoekt in een andere taal dan het Engels.
Je de zoekfunctie nodig hebt om werkitems te analyseren en zo grafieken, samenvattingen of andere representaties van je gegevens aan te maken.
De zoekopdracht vereist functies die momenteel niet beschikbaar zijn in JQL (bijvoorbeeld een vraag zoals 'Vind werkitems waar ik een opmerking over heb gemaakt' die niet kunnen worden vertaald naar een JQL-functie).

Je zou ook kunnen overwegen om zo specifiek mogelijk te zijn in wat je Atlassian Intelligence vraagt te doen. Zorg ervoor dat je de exacte velden en waarden invult die je zoekt.

Je gegevens en het zoeken naar werkitems met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Atlassian Intelligence je gegevens gebruikt bij het zoeken naar werkitems. 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 het huidige project waarin je je bevindt.
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 Atlassian Intelligence gebruikt voor het zoeken naar werkitems:

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.
- Worden 90 dagen bewaard in onze database en je prompts worden als onderdeel van je zoekgeschiedenis aan je getoond.
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.
Je antwoorden op zoekopdrachten zijn gebaseerd op de werkitems en velden waartoe je toegang hebt (als je bijvoorbeeld geen toegang hebt tot een specifiek Jira-project, ontvang je geen zoekresultaten voor werkitems en velden van dat project).

Werk uitsplitsen met AI

Hoe werk uitsplitsen met AI gebruikmaakt van Atlassian Intelligence Copy link to heading Copied! Tonen

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.

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

Over werk uitsplitsen met AI Copy link to heading Copied! Tonen

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.

Beperkingen en overwegingen bij het gebruik van werk uitsplitsen met AI Copy link to heading Copied! Tonen

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).

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.

Je gegevens en werk uitsplitsen met AI Copy link to heading Copied! Tonen

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.

Meer informatie over Atlassian Intelligence Copy link to heading Copied! Tonen

Ontdek meer over het gebruik van Atlassian Intelligence

Hoe aanbevolen onderwerpen in de kennisdatabase gebruikmaken van Atlassian Intelligence Copy link to heading Copied! Tonen

De voorgestelde onderwerpen in de kennisdatabase 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.

Lees meer over de mogelijkheden van de modellen van OpenAI en de modellen van Anthropic. Voor meer informatie over open-source taalmodellen, zie informatie over Multi-QA-MinILM en E5-Multilingual.

Lees meer over voorgestelde onderwerpen in de kennisdatabase Copy link to heading Copied! Tonen

Met deze functie kunnen beheerders en agents inzicht krijgen in de hiaten in hun kennisdatabase door de serviceaanvragen te analyseren die in het kader van een project zijn ontvangen. Deze functie belicht duidelijk de onderwerpen waarvoor hulpzoekers aanvragen indienen (op basis van gegevens van de laatste 30 dagen), maar er is geen bestaande kennis. Door onderwerpen voor te stellen, willen we projectbeheerders en agents inzicht geven in hoeveel aanvragen kunnen worden omgeleid of op zijn minst met kennis kunnen worden afgesloten.

We zijn van mening dat een toename van het aantal kennisartikelen van invloed is op de prestaties van andere functies in Jira Service Management, zoals de AI-antwoorden van virtuele serviceagents. Wanneer beheerders of agents artikelen aanmaken over de voorgestelde onderwerpen, kan dat ook helpen om de beantwoording van aanvragen te verbeteren met behulp van AI-antwoorden.

We zijn van mening dat voorgestelde onderwerpen het beste werken in situaties waarin:

Er minstens 40-100 aanvragen ingediend zijn in een tijdsbestek van 30 dagen.
De inhoud van aanvragen, zoals samenvatting, omschrijving, veldwaarden, enz., voornamelijk in het Engels is. De kwaliteit van de voorgestelde onderwerpen kan per taal verschillen.

Overwegingen bij het gebruik van voorgestelde onderwerpen in de kennisdatabase Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat vanwege de manier waarop de modellen werken die worden gebruikt om voorgestelde onderwerpen in de kennisdatabase te ondersteunen, 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 voorgestelde onderwerpen in de kennisdatabase minder nuttig zijn in situaties waarin:

Je onderwerpen nodig hebt voor een project dat minder dan 40 aanvragen per maand ontvangt.
Je project automatisch aanvragen aanmaakt op basis van meldingen, omdat daarvoor misschien geen artikel in de kennisdatabase nodig is.
Je onderwerpen nodig hebt voor aanvragen waarbij samenvatting, omschrijving, veldwaarden, enz., in andere talen dan het Engels zijn.

Je kunt ook het volgende overwegen:

Teamleden vragen de voorgestelde onderwerpen te bekijken voordat ze artikelen aanmaken.
Projectbeheerders vragen om experts in hun teams te identificeren om kennisdatabase-artikelen van hoge kwaliteit aan te maken.

Lees meer over voorgestelde onderwerpen in de kennisdatabase Copy link to heading Copied! Tonen

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

We verwerken het volgende:

Context van je installatie die relevant is voor de functie, zoals gegevens in een aanvraag, zoals veldwaarden, samenvatting en omschrijving om onderwerpen te identificeren.
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, worden er voor voorgestelde onderwerpen in de kennisdatabase de volgende maatregelen toegepast.

Je voorgestelde onderwerpen in de kennisdatabase:

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 externe LLM's 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.
We verwerken alleen aanvragen die toegankelijk zijn voor iedereen in een serviceproject voor je site. Aanvragen met rechten op werkitemniveau worden niet beschouwd als suggesties voor onderwerpen.
We vernieuwen de lijst met voorgestelde onderwerpen elke 7 dagen om ervoor te zorgen dat de suggesties actueel zijn.

Meer informatie over Atlassian Intelligence Copy link to heading Copied! Tonen

Ontdek meer over het gebruik van Atlassian Intelligence

Lees meer over voorgestelde onderwerpen in de kennisdatabase

Inhoud zoeken in Confluence

Hoe Confluence-inhoud zoeken met behulp van Atlassian Intelligence gebruikmaakt van Atlassian Intelligence Copy link to heading Copied! Tonen

Confluence-inhoud zoeken met behulp van Atlassian Intelligence 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.

Atlassian Intelligence gebruikt deze modellen om natuurlijke taal te analyseren en te begrijpen, en vertaalt deze vervolgens naar Confluence Query Language-code (CQL) in onze producten.

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

Gebruiksscenario's voor Confluence-inhoud zoeken met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

Je kunt Atlassian Intelligence nu vragen naar de inhoud die je wilt vinden in Confluence in alledaagse taal in plaats van dat je complexe vragen moet stellen. Met behulp van Atlassian Intelligence, wordt je vraag vertaald in een CQL-zoekopdracht die je snel helpt bij het zoeken naar specifieke inhoud.

Wij zijn van mening dat Confluence-inhoud zoeken met behulp van Atlassian Intelligence het beste werkt in scenario's waarbij:

Je vraagt naar Confluence inhoud die beschikbaar is in je Confluence kennisdatabase.
Je zoekopdracht specifieke velden en waarden bevat die je kunnen helpen om je zoektocht naar inhoud specifieker te maken.
De zoekopdracht kan worden vertaald naar CQL. Aangezien Atlassian Intelligence vragen omzet in CQL-code, kan input met trefwoorden die naar CQL kunnen worden vertaald, betere resultaten opleveren.
Je op zoek bent naar inhoud in het Engels.

Overwegingen bij het gebruik van Confluence-inhoud zoeken met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om Confluence-inhoud zoeken aan te drijven met behulp van Atlassian Intelligence, 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 Confluence-inhoud zoeken met behulp van Atlassian Intelligence minder nuttig is in scenario's waarbij:

Je moet inhoud vinden met behulp van filters die momenteel niet door CQL worden ondersteund.
Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
Je zoekt in een andere taal dan het Engels.
Je de zoekfunctie nodig hebt om werkitems te analyseren en zo grafieken, samenvattingen of andere representaties van je gegevens aan te maken.

Je zou ook kunnen overwegen om zo specifiek mogelijk te zijn in wat je Atlassian Intelligence vraagt te doen. Zorg ervoor dat je de exacte velden en waarden invult die je zoekt.

Je gegevens en Confluence-inhoud zoeken met behulp van Atlassian Intelligence Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Confluence-inhoud zoeken met behulp van Atlassian Intelligence 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 uit je installatie die relevant is voor je vraag, bijvoorbeeld om zoekresultaten eruit te filteren op basis van gebruikersrechten
Gegevens over hoe je omgaat met onze functies, zoals clickstreamgegevens.
Feedback die je verstrekt over deze functie, inclusief eventuele prompts of antwoorden die je wilt delen als onderdeel van je feedback.

Als het op je gegevens aankomt, worden de volgende maatregelen toegepast bij Confluence-inhoud zoeken met behulp van Atlassian Intelligence.

Je prompts (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-providers te verbeteren.
- Worden alleen gebruikt om je ervaring te verbeteren.
OpenAI en Google Vertex 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, wordt er geen inhoud van die pagina weergegeven in het antwoord dat je ontvangt. 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 Atlassian Intelligence

Ontdek meer over het gebruik van Atlassian Intelligence

Diagraminzichten

Hoe Diagraminzichten gebruik maakt van Atlassian Intelligence Copy link to heading Copied! Tonen

Chart insights worden 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.

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.

Usercases voor Diagraminzichten Copy link to heading Copied! Tonen

Diagraminzichten maakt gebruik van Atlassian Intelligence om je meer inzicht te geven in gegevens van elk diagram in Atlassian Analytics. Dit wordt gedaan door de titel van het dashboard, de titel van het diagram en de gegevens van het diagram (waaronder kolomkoppen en rijwaarden) te gebruiken om een samenvatting in natuurlijke taal te genereren van deze diagram en de bijbehorende gegevens. Het is ook bedoeld om trends of afwijkingen te identificeren om je bepaalde inzichten in deze diagram te geven.

Wij zijn van mening dat Diagraminzichten het beste werkt in scenario's waarin:

Diagrammen veel rijen met gegevens bevatten.
Diagrammen een dashboard-titel hebben.
Diagrammen kolomkoppen hebben.
Diagrammen waarden hebben in alle rijen en kolommen.

Staafdiagrammen, lijndiagrammen en staaf-lijndiagrammen werken het beste met deze functie, omdat ze meestal trends, datums en veel rijen gegevens bevatten.

Overwegingen bij het gebruik van Diagraminzichten Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om Diagraminzichten 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 Diagraminzichten minder nuttig zijn in situaties waarin:

Je diagrammen hebt met één of slechts enkele rijen gegevens.
Je diagrammen hebt van het type met één waarde.
Je ontbrekende titels, axis-labels en kolomkoppen hebt van diagrammen.

Je kunt ook het volgende overwegen:

Dubbele controle van de nauwkeurigheid van de inzichten met andere gebruikers die mogelijk meer context hebben over de specifieke gegevens die in de diagram worden weergegeven.
Rekening houden met het feit dat Atlassian Intelligence slechts de context van één diagram gebruikt en niet het hele dashboard om een antwoord te geven.

Jouw gegevens en Diagraminzichten Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Diagraminzichten 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 gegevens in je diagram.
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 Diagraminzichten 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 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 gebruikt alleen informatie van het dashboard waar je toegang tot hebt en waarvoor je om inzichten hebt gevraagd.

Aanvraagtypen voorstellen in Jira Service Management

Hoe Atlassian Intelligence aanvraagtypen voorstelt in Jira Service Management Copy link to heading Copied! Tonen

Stel aanvraagtypen voor met behulp van Atlassian Intelligence wordt mogelijk gemaakt door grote taalmodellen die zijn ontwikkeld door OpenAI. Deze grote taalmodellen omvatten modellen uit de GPT-serie van OpenAI.

Atlassian Intelligence gebruikt deze modellen om input in natuurlijke taal te analyseren en aanbevelingen te genereren voor namen en beschrijvingen van aanvraagtypen binnen Jira Service Management.

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

Usecases voor het voorstellen van aanvraagtypen in Jira Service Management Copy link to heading Copied! Tonen

Besteed minder tijd aan het uitzoeken welke aanvraagtypen je moet maken voor je project en krijg in plaats daarvan suggesties van Atlassian Intelligence. Beschrijf gewoon je werk en wat je team doorgaans beheert om te zien welke aanvraagtypen je zou kunnen indienen. Selecteer een van de suggesties die door Atlassian Intelligence zijn gegenereerd om een aanvraagtype te maken. Meer informatie over hoe je Atlassian Intelligence kunt gebruiken om aanvraagtypen voor te stellen.

Wij zijn van mening dat het gebruik van Atlassian Intelligence om aanvraagtypes voor te stellen het beste werkt in scenario's waarbij:

Je heel specifieke gebruiksscenario's hebt waar bestaande sjablonen van het aanvraagtype niet aan voldoen.
Je zeer algemene vereisten hebt en op zoek bent naar ideeën.
Je een veel gesproken taal gebruikt (bijvoorbeeld Engels of Spaans).

Overwegingen bij het gebruik van Atlassian Intelligence om aanvraagtypen voor te stellen Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om aanvraagtypen voor te stellen met behulp van Atlassian Intelligence, 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 Atlassian Intelligence te gebruiken om aanvraagtypen voor te stellen in scenario's waarbij:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
Je hebt deze functie nodig om toegang te hebben tot informatie die niet direct beschikbaar is (bijvoorbeeld in jouw installatie) om je aanvraag goed te kunnen beantwoorden.
Je geeft vragen op die te vaag of niet relevant zijn voor het servicebeheer.
Je gebruikt geen veelgesproken taal

Je kunt ook het volgende overwegen:

Wees zo specifiek mogelijk over wat je van Atlassian Intelligence vraagt.

Je gegevens en het gebruik van Atlassian Intelligence om aanvraagtypen voor te stellen Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe Atlassian Intelligence je gegevens gebruikt om aanvraagtypen voor te stellen. 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 vraag.
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 Atlassian Intelligence gebruikt om soorten aanvragen voor te stellen.

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 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.
Bij deze functie wordt er alleen informatie gebruikt uit je vragen, dus alle Jira-rechten worden gerespecteerd.

Aanvraagtypen voorstellen in Jira Service Management

Hoe de managementsamenvatting voor aandachtsgebieden Atlassian Intelligence gebruikt Copy link to heading Copied! Tonen

De managementsamenvatting voor aandachtsgebieden wordt 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.

Ontdek meer informatie over de mogelijkheden van de modellen van OpenAI

Usecases voor de managementsamenvatting voor aandachtsgebieden Copy link to heading Copied! Tonen

De managementsamenvatting voor aandachtsgebieden maakt gebruik van Atlassian Intelligence om een snelle, bruikbare samenvatting te geven van je aandachtsgebied, inclusief het werk dat wordt uitgevoerd, de status van de bijbehorende doelen, suggesties voor waar je op moet letten en aanbevelingen om eventuele werkitems op te lossen.

De managementsamenvatting voor aandachtsgebieden werkt het best wanneer:

je updates over je aandachtsgebieden en doelen volledig, nauwkeurig en bijgewerkt zijn, met voldoende gedetailleerde schriftelijke prestaties, vorderingen en risico's
je alle relevante doelen die worden gebruikt om succes te meten rechtstreeks hebt gekoppeld aan het aandachtsgebied
het aandachtsgebied is gekoppeld aan de subaandachtsgebieden met hun eigen relevante updates en doelkoppelingen

Overwegingen bij het gebruik van de managementsamenvatting voor aandachtsgebieden Copy link to heading Copied! Tonen

Het is belangrijk om te onthouden dat de modellen die worden gebruikt om werk van de managementsamenvatting voor aandachtsgebieden 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 managementsamenvatting voor aandachtsgebieden minder nuttig is in situaties waarin:

Je actuele en nauwkeurige informatie nodig hebt over mensen, plaatsen en feiten.
Focus-updates toegang moeten hebben tot informatie die niet direct beschikbaar is (bijvoorbeeld in jouw installatie) om je aanvraag goed te kunnen beantwoorden.
de updates voor je aandachtsgebied en je doelen onvolledig zijn, ontbreken of niet erg gedetailleerd zijn. Als er geen updates zijn, de update uitsluitend gebaseerd is op afbeeldingen of als de updates slecht geschreven zijn, heeft Atlassian Intelligence niet de juiste context om een nauwkeurige samenvatting te genereren.

Je gegevens en de managementsamenvatting voor aandachtsgebieden Copy link to heading Copied! Tonen

We begrijpen dat je misschien vragen hebt over hoe de managementsamenvatting voor aandachtsgebieden 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, zoals updates van focusgebieden, doelupdates en gekoppelde aandachtsgebieden en doelen.
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, worden voor de managementsamenvatting voor aandachtsgebieden de volgende maatregelen gebruikt.

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 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 de doelen die gekoppeld zijn aan je aandachtsgebieden in Focus, worden ze niet opgenomen in het antwoord dat je krijgt.

Meer informatie over Atlassian Intelligence

Ontdek meer over het gebruik van Atlassian Intelligence

Verwijzingen

Ontvang realtime statusupdates voor Atlassian-producten op onze speciale statuspagina.

Ontdek meer over Atlassian Intelligence

Begrijp hoe Atlassian klantgegevens beheert.

Meer informatie

Meer informatie over Atlassian Rovo

Meer informatie

Uitgelicht

Atlassian-collecties NIEUW

Jira

Confluence

Loom

Agents

Afstemmen

Focus

Talent

Agents

ATLASSIAN CLOUD-PLATFORM

Jira

Confluence

Jira Service Management

Rovo NIEUW

Ontwikkelaars

Jira

Bitbucket

Compass NIEUW

Productmanagers

Jira Product Discovery NIEUW

Jira

Confluence

IT-professionals

Jira Service Management

Guard NIEUW

Bedrijfsteams

Jira

Confluence

Trello

Loom NIEUW

Jira Service Management

Managementteams

Focus NIEUW

Jira

Talent NIEUW

Confluence

Jira Align

Loom NIEUW

Jira

Confluence

Loom NIEUW

Jira Align

Focus NIEUW

Oplossingen

Oplossingen

Jira

Confluence

Loom

Agents

Afstemmen

Focus

Talent

Agents

ATLASSIAN CLOUD-PLATFORM

Waarom Atlassian

Werksysteem Nieuw

Integraties

Klanten

FedRAMP

Veerkracht

Platform

Trust Center

Bronnen

Klantenservice

Partners zoeken

Migration Program

Community

Ondersteuning

Bronnen

Jira

Jira Service Management

Confluence

Atlassian Intelligence en Rovo zijn ontworpen voor transparantie

Rovo

Sneller werken met AI

Automatisering met behulp van Atlassian Intelligence

Weet je niet zeker hoe je het beste een automatiseringsregel aanmaakt?

Groepering van waarschuwingen

Definieer termen met behulp van Atlassian Intelligence