Rovo — разработан с заботой о прозрачности

The AI ChatOps for incident management features are powered by large language models developed by OpenAI, as well as a combination of open-source large language models (including the Llama series) and other machine learning models. These large language models include OpenAI’s GPT series of models.

Rovo uses these models to analyze and generate natural language within our products.

These large language models generate responses based on your inputs and are probabilistic in nature. This means that their responses are generated through predicting the most probable next word or text based on the data that they have been trained on.

Read more about the capabilities of OpenAI’s models or about this approach in OpenAI’s research papers. For more information on open-source language models, see information on the Llama series.

AI ChatOps for incident management help your users to expedite the incident resolution process by offering a summary of the relevant incident and all the conversations about it so far to new users when they’re added to the Slack channel which is linked to the incident work item in Jira Service Management. Additionally, AI ChatOps for incident management can log the conversations that occur in Slack to Jira Service Management as a timeline for future reference.

We believe that AI ChatOps for incident management work best in scenarios where:

• Your organization uses Slack as a primary collaboration tool for triaging and resolving incidents.

• Your organization follows a protocol of documenting incident-related conversations within the incident work item in Jira Service Management.

Remember that because of the way that the models used to power AI ChatOps for incident management work, these models can sometimes behave in ways that are inaccurate, incomplete, or unreliable. For example, the responses that you receive might not accurately reflect the content that they’re based on or include content that sounds reasonable but is false or incomplete.

We’ve found that AI ChatOps for incident management are less useful in scenarios where:

• You need current and accurate information about people, places and facts.

• You don’t use Slack as your organization’s primary collaboration tool for triaging and resolving incidents.

• Your team lacks access to the incident work item in Jira Service Management or the Slack channel linked to the incident work item that’s being triaged.

For this reason, we encourage you to consider situations where you use AI ChatOps for incident management and review the quality of the responses you receive before sharing them with others.

You might also want to think about reviewing permissions to ensure that users have appropriate levels of access to relevant incident work items and Slack channels.

We understand you may have questions about how AI ChatOps for incident management uses your data. This section supplements the information available on our FAQ page.

We process:

• Your prompts (inputs) and responses (outputs).

• Context from your instance relevant to your prompt, such as incident data and messages in your connected Slack channels.

• Data about how you interact with our features, such as clickstream data and the people you work with.

• Any feedback you provide about this feature, including any prompts or responses you choose to share as part of your feedback.

When it comes to your data, AI ChatOps for incident management apply the following measures:

• Your prompts (inputs) and responses (outputs):
  • Are not available to other customers.
  • Are not sent to any third-party LLM provider other than OpenAI.
  • Are not stored by OpenAI.
  • Are not used to improve OpenAI or any other third party LLM provider.
  • Are used only to serve your experience.
• OpenAI is a subprocessor on our  Subprocessors page. They do not use your inputs and outputs for any purpose besides processing your request.
• This feature follows your product’s permissions. For example, if you don’t have access to an incident work item, you won’t find enough of its context when you generate AI ChatOps for incident management. If you don’t want your content to be available in response to other users of your product, work with your organization admin to ensure the team’s access permissions are configured appropriately.

ИИ-заготовки работают на основе больших языковых моделей, разработанных компаниями OpenAI и Anthropic, а также языковых моделей на основе трансформеров с открытым исходным кодом и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI и серия моделей Claude от Anthropic.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах. Модели шифраторов с открытым исходным кодом преобразуют входные данные из текстового формата в числовой (векторное представление слов), а затем на основе этих видоизмененных входных данных определяются и формируются темы.

Эти большие языковые модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Anthropic. Подробнее о языковых моделях с открытым исходным кодом см. в справке по моделям векторного представления текста.

ИИ-заготовки — это предварительно сгенерированные черновики статей для базы знаний, которые должны затем проверить ваши администраторы и агенты. Эта функция создает заготовки текста для наиболее распространенных задач проекта Jira Service Management, используя сведения и комментарии из задач этого проекта.

Командам службы поддержки быстрее и проще наращивать базу знаний, опираясь на ИИ-заготовки, а это, в свою очередь, повышает эффективность других функций Jira Service Management. Например, статьи базы знаний, созданные на основе ИИ-заготовок, затем сможет использовать виртуальный помощник в функции ответов ИИ, чтобы быстрее и проще оказывать помощь клиентам.

Узнайте больше об ответах ИИ в виртуальном помощнике.

По нашему мнению, ИИ-заготовки показывают наилучшие результаты в следующих случаях.

• По проекту поступает более 40 запросов в месяц. В проектах, по которым поступает менее 40 запросов, может оказаться недостаточно информации для создания ИИ-заготовок.
• Содержимое задач — резюме, описание и другие поля — представлено преимущественно на английском языке. Качество ИИ-заготовок на других языках может отличаться.

Важно помнить: иногда модели, используемые в качестве основы для ИИ-заготовок, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что в следующих случаях ИИ-заготовки могут оказаться не такими эффективными.

• По проекту поступает менее 40 запросов в месяц.
• Проект автоматически создает запросы на основе оповещений — в таком случае статья в базе знаний может не требоваться. Однако вам все равно будет предлагаться ИИ-заготовка, касающаяся этих запросов.
• Вам нужны заготовки по задачам, содержимое которых написано на языках, отличных от английского.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Примите меры для того, чтобы участники команды тщательно изучали ИИ-заготовки, прежде чем приступать к созданию статей базы знаний на их основе
• Попросите администраторов проектов назначить из числа участников команды экспертов, ответственных за проверку и редактирование ИИ-заготовок, чтобы обеспечить высокое качество статей в базе знаний

Мы понимаем, что у вас могут возникнуть вопросы о том, как в функции ИИ-заготовок используются ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, имеющий отношение к функции, например данные в задаче, такие как значения полей, сводки и описание, чтобы создавать заготовки с помощью Rovo.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

В ИИ-заготовках предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • Недоступны другим клиентам
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Anthropic в AWS Bedrock;
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • Не используются для улучшения языковых моделей сторонних поставщиков.
  • используются только для вашего обслуживания.
• OpenAI и AWS Bedrock являются субобработчиками в нашем списке субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Мы обрабатываем только те задачи, которые доступны всем участникам проекта службы поддержки вашего сайта. Любые задачи, для которых требуются права, не используются при формировании заготовок.
• Мы обновляем ИИ-заготовки каждые 7 дней, чтобы обеспечить актуальность контента.

Узнать больше об использовании Rovo

Функция ИИ-сводок для карточек центра компании работает на базе больших языковых моделей, разработанных OpenAI. В их число входит серия моделей GPT от OpenAI.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Подробнее о возможностях моделей OpenAI.

Функция ИИ-сводок для карточек центра компании заключается в создании описаний для карточек с помощью ИИ и помогает быстро вносить информацию и публиковать ее в центре компании. Эта функция использует ИИ, чтобы получить сводную информацию со связанной страницы Confluence или записи в блоге для размещения ее на карточке центра компании.

По нашему мнению, использование ИИ-сводок для карточек центра компании наиболее полезно в следующих случаях.

• Вам удобно использовать карточки центра компании в Confluence для размещения ссылок на фрагменты контента с большим количеством текста.
• Вы ищете возможность отображать в описаниях карточек Confluence краткую сводку по содержимому Confluence с большим количеством текста.

Важно! Иногда эти модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых в качестве основы для функции создания ИИ-сводок на карточках центра компании.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что использование ИИ-сводок для карточек центра компании менее полезно в следующих случаях.

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Вам требуется изложение очень короткой страницы Confluence, на которой недостаточно содержимого для создания полезной сводки.
• Вам нужно краткое изложение страницы Confluence, где большая часть содержимого находится в таблицах или раскрываемых разделах.
• Вам нужно краткое изложение страницы Confluence, большая часть содержимого которой находится в макросах.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при создании ИИ-сводок для карточек центра компании. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, например содержимое страницы Confluence, краткое изложение которой вы хотите получить.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

В отношении использования ваших данных функцией ИИ-сводок для карточек центра компании применяются следующие меры.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI;
  • не хранятся ни у каких поставщиков LLM;
  • не используются для улучшения больших языковых моделей;
  • используются только для вашего обслуживания.
• OpenAI является субобработчиком из нашего списка субобработчиков данных. OpenAI не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence, вы не сможете использовать эту функцию для получения сводки страницы с помощью Rovo. Если вы хотите ограничить доступность контента для других пользователей в вашем экземпляре, обратитесь к администратору организации, чтобы убедиться, что права настроены соответствующим образом.

Узнать больше об использовании Rovo

Rovo Dev использует большие языковые модели OpenAI и Anthropic в AWS Bedrock, модели Anthropic в Google Vertex AI, а также комбинацию других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI и серия моделей Claude от Anthropic.

Rovo Dev использует эти модели для анализа и генерации ответов на естественном языке, а также для написания кода в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Anthropic.

Rovo Dev — это контекстно-зависимый агент ИИ для профессиональных разработчиков программного обеспечения. Он понимает естественный язык и код, интегрируется с инструментами Atlassian (такими как Jira, Confluence и Bitbucket), а также со сторонними платформами разработчиков (такими как GitHub). Rovo Dev работает на базе Atlassian Teamwork Graph и использует организационный контекст, бизнес-знания и историю базы кода для ускорения цикла разработки программного обеспечения. Rovo Dev помогает планировать, генерировать и проверять код, а также автоматизировать повторяющиеся задачи в любом масштабе.

В набор продуктов Rovo Dev входят:

• Rovo Dev в Bitbucket и GitHub. Благодаря интеграциям с Bitbucket и GitHub можно проверять запросы pull на соответствие техническим требованиям и бизнес-целям. Rovo Dev выявляет потенциальные проблемы еще до того, как они попадут в рабочую среду, и обеспечивает соответствие изменений в коде критериям приемки в Jira, что сокращает количество циклов проверки и помогает избежать доработок.

• Интерфейс командной строки Rovo Dev. Rovo Dev можно использовать прямо в интерфейсе командной строки. ИИ-агент разработки доступен в терминале и легко интегрируется с рабочим процессом Atlassian.

По нашему мнению, Rovo Dev показывает наилучшие результаты в следующих случаях.

• Вам нужна помощь в решении таких задач, как написание нового кода, отладка существующего или понимание сложных баз кода.
• Вы хотите автоматически получать обратную связь по запросам pull после проверки кода, чтобы выявлять потенциальные проблемы и улучшать качество кода.
• Вам нужна помощь в решении стандартных задач разработки, таких как рефакторизация, тестирование или документация.
• Вы хотите более эффективно решать задачи в Jira, автоматизируя изменение кода в связанных репозиториях.
• Ваша команда разработчиков хочет поддерживать согласованные стандарты программирования и следовать рекомендациям.

Важно помнить, что иногда модели, используемые в качестве основы для Rovo Dev, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что в следующих случаях инструмент Rovo Dev может оказаться недостаточно эффективным.

• Вам нужна актуальная и точная информация о людях, местах, фактах, которых нет в вашей базе кода, контексте разработки или доступном контенте Atlassian, например на страницах Confluence или в проблемах Jira.
• Вам нужно, чтобы у Rovo Dev был доступ к информации, которая недоступна в вашем репозитории, среде разработки или связанных инструментах Atlassian.
• Вам нужна идеальная точность кода, от которого зависит безопасность или защита, без контроля со стороны человека, потому что Rovo Dev не следует использовать в таких сценариях.
• Вы работаете с частными или строго конфиденциальными шаблонами кода, которые не входили в состав данных, использованных для обучения модели. Возможно, Rovo Dev не поможет при работе с очень новыми технологиями, которые не были включены в обучающие данные модели, поскольку у Rovo Dev недостаточно контекста для выдачи полезных результатов.
• Rovo Dev не следует использовать в качестве единственного инструмента для проверки безопасности, проверки соответствия требованиям, а также в сценариях, где правильность кода имеет решающее значение для безопасности или нормативного соответствия в силу отсутствия строгого человеческого контроля.

• По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo Dev, и проверять качество полученных ответов, прежде чем внедрять предложенные изменения или делиться ими.

Также стоит учесть следующее.

• Формулируйте запросы к Rovo Dev максимально подробно. Четко определяйте контекст, давайте информацию о базе кода и требованиях.
• Проверяйте и тестируйте любые изменения кода, предложенные Rovo Dev, перед их сохранением в вашем репозитории.
• Следите за наличием настроенных прав доступа и средств управления доступом в вашей среде разработки.
• Своевременно обновляйте документацию по репозиторию и комментарии к коду, чтобы у ИИ-помощника было больше контекста.
• Используйте Rovo Dev в качестве инструмента для совместной работы наряду с проверкой кода человеком, а не в качестве замены проверки.

Мы понимаем, что у вас могут возникнуть вопросы о том, как Rovo Dev использует ваши данные. Этот раздел дополняет сведения, доступные на странице Rovo Dev.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод) при взаимодействии с Rovo Dev.
• Контекст из среды разработки, имеющий отношение к вашему запросу, например файлы кода и запросы pull в Bitbucket, задачи в Jira, контент из подключенных сторонних приложений, таких как Github, или с подключенных серверов MCP, или из локальных файлов на вашем устройстве (при использовании интерфейса командной строки RovoDev).
• Данные о том, как вы взаимодействуете с нашими функциями, например паттерны использования команд и инструменты разработки, которые вы применяете.

• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для Rovo Dev предусмотрены следующие меры в отношении ваших данных.

Ваши запросы (ввод) и ответы (вывод):

• Недоступны другим клиентам
• Не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI, Google Vertex AI и Anthropic в AWS Bedrock.
• Не сохраняются средствами OpenAI, Google Vertex AI или Anthropic на AWS Bedrock.
• Не используются для улучшения моделей OpenAI или Anthropic.

• используются только для предоставления вам соответствующих возможностей.

Обработка данных сторонними сервисами:

• OpenAI, Google Vertex AI и Amazon Web Services (AWS Bedrock) входят в наш список субпроцессоров. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.

Разрешения и доступ:

• К Rovo Dev применяются права доступа, настроенные в вашей среде разработки и подключенных инструментах Atlassian. Так, если у вас нет доступа к определенным репозиториям или проектам Jira, Rovo Dev не будет просматривать их содержимое при генерации ответов.
• Если вы хотите ограничить доступность контента в ответах, предоставляемых другим пользователям в вашей организации, обратитесь к системным администраторам и попросите проверить настройку прав доступа.

• В интерфейсе командной строки Rovo Dev пользователи могут добавлять сторонние серверы Model Context Protocol (MCP), чтобы предоставить Rovo Dev доступ к стороннему контенту. Для интеграции с любым сторонним сервером MCP требуется подтверждение от пользователя, и вы должны убедиться, что соблюдаете любые условия использования стороннего сервиса. Пользователи могут вводить запросы на отправку данных за пределы вашего сайта Atlassian, при этом данные, отправленные за пределы вашего сайта, не будут регулироваться условиями Atlassian.

Подробнее об использовании Rovo Dev

Группа сообщества Rovo Dev

Формирование сводок страниц и блогов с помощью ИИ работает на базе больших языковых моделей, разработанных OpenAI и Google. В их число входят серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

Экономьте время и быстрее получайте сведения, необходимые для работы, формируя сводки страниц или блогов Confluence с помощью ИИ. Подробнее об использовании ИИ в Confluence.

По нашему мнению, функция создания сводок страниц и блогов с помощью Rovo показывает наилучшие результаты в следующих случаях:

• На странице большое количество текста, так что на ее чтение уходит 5 минут или более.
• На странице много текстового содержимого и мало визуальных элементов и (или) другого форматирования, например разворачиваемых разделов.

Важно помнить, что из-за принципов работы моделей, используемых для формирования сводок страниц и блогов с помощью ИИ, иногда эти модели могут давать неточные, неполные или ненадежные результаты.

Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным.

Хотя мы продолжаем улучшать поддержку макросов, таблиц и раскрываемых разделов функцией создания сводок, мы обнаружили, что формирования сводок страниц и блогов с помощью Rovo может быть менее полезным в следующих ситуациях:

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Вам нужно краткое изложение очень маленькой страницы Confluence, на которой недостаточно содержимого.
• Вам нужно краткое изложение страницы Confluence, где большая часть содержимого находится в таблицах или раскрываемых разделах.
• Вам нужно краткое изложение страницы Confluence, большая часть содержимого которой находится в макросах.

Мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Запрашивайте у Rovo сводки страниц, на которых точно много текстового содержимого.

Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при автоматизации в Confluence с помощью ИИ. Этот раздел дополняет сведения, доступные на странице часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).

• Контекст из вашего экземпляра, связанный с запросом, например содержимое страницы Confluence, краткое изложение которой вы хотите получить.

• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.

• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для формирования сводок страниц и блогов с помощью Rovo предусмотрены следующие меры в отношении ваших данных:

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • Они не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Google.

  • не хранятся ни у каких поставщиков больших языковых моделей;

  • не используются для улучшения больших языковых моделей;
  • используются только для вашего обслуживания.
• Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. OpenAI не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence, функция не будет отображаться и вы не сможете получить сводку страницы с помощью Rovo. Если вы хотите ограничить доступность контента для других пользователей в вашем экземпляре, обратитесь к администратору организации, чтобы убедиться, что права настроены соответствующим образом.

Rovo генерирует определения терминов в Confluence и Jira на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama и Mixtral) и других моделей машинного обучения. В их число входят серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic.

С помощью этих моделей Rovo анализирует запросы и генерирует ответы на естественном языке в Confluence и Jira.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Подробнее о языковых моделях с открытым исходным кодом см. в справке по серии Llama.

Иногда при ознакомлении с содержимым в Confluence и Jira одна из самых сложных задач — получить контекст, необходимый для понимания того, что вы читаете. Сокращения, аббревиатуры, незнакомые термины и названия, используемые в конкретных командах или проектах, могут затруднить поиск нужной информации.

Определение терминов с помощью Rovo позволит определить уникальные для компании термины (например, аббревиатуры, названия проектов, систем или команд) на странице Confluence или в описании задачи в Jira. Таким образом пользователи могут получить необходимую информацию именно тогда, когда она им нужна, что способствует совместной работе команд.

Rovo помогает экономить время, предоставляя нужные определения без необходимости переключаться с изучаемого документа.

Если вы столкнулись с определением, которое, по вашему мнению, является неточным, вы можете отредактировать его или добавить новое, а затем настроить видимость определения для этой страницы, задачи, всего раздела или проекта, а также для доступа в рамках всей вашей организации.

По нашему мнению, Rovo в Confluence и Jira лучше всего дает определения для терминов в следующих случаях:

• В экземпляре Confluence компании есть несколько страниц, на которых упоминается, описывается или объясняется, что означает конкретный термин, чтобы у Rovo были сведения, от которых можно оттолкнуться.

Важно помнить, что из-за принципов работы моделей, используемых для генерации определений для терминов с помощью Rovo в Confluence, иногда эти модели могут давать неточные, неполные или ненадежные результаты.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что функция определения терминов с помощью ИИ в Confluence может быть менее полезной в следующих ситуациях:

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• В экземпляре Confluence не хватает подробных сведений о термине (например, если нет страниц с упоминанием конкретного термина, для термина не получится сгенерировать точное определение).
• Генерация определений требует доступа к контенту Confluence, на просмотр которого у вас нет прав
• Вы пытаетесь получить определение сразу для нескольких терминов вместе, а не по отдельности.

Кроме того, мы обнаружили, что в Jira эта возможность будет работать только при наличии права на просмотр экземпляра Confluence на том же сайте, где находится ваш экземпляр Jira, поскольку генерация определений для терминов с помощью Rovo основана на поиске в Confluence.

Вы также можете заметить, что генерация определений для терминов с помощью Rovo не работает должным образом в разделах Confluence или экземплярах Jira, в которых контент написан на нескольких языках.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при генерации определений для терминов с помощью Rovo. Этот раздел дополняет сведения, доступные на странице часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с вашим запросом, например термин, определение которого вы хотите получить.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для функции генерации определений терминов с помощью Rovo предусмотрены следующие меры в отношении ваших данных:

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;

  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI, Google или Anthropic в AWS Bedrock;

  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
  • используются только для вашего обслуживания.
• Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права доступа пользователей в вашем экземпляре, то есть пользователи не увидят определения, сгенерированные на основе контента, к которому у них нет доступа. Функция получает содержимое и определения только со страниц и проектов, на просмотр которых пользователь имеет права в этом экземпляре. Если вы хотите ограничить доступность контента в ответах для других пользователей в вашем экземпляре, обратитесь к администратору организации, чтобы настроить права доступа соответствующим образом.
• Если пользователь вручную отредактирует или обновит определение, оно будет храниться в течение 1 года.

Функция редактирования Rovo на базе ИИ работает на основе больших языковых моделей, разработанных OpenAI и Google. В их число входят серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

Rovo помогает наладить коммуникацию между всеми командами организации для повышения эффективности, принятия более точных решений и совершенствования других процессов.

По нашему мнению, функция редактирования с помощью Rovo показывает наилучшие результаты в следующих ситуациях:

• Преобразование существующего контента для разных аудиторий. ИИ помогает изменить тон, улучшить качество текста и упростить подачу технической информации для других команд. Это лучше всего сработает для команд, которые хотят сделать текст более профессиональным и лаконичным.
• Формирование сводок существующего контента. С помощью Rovo можно превратить черновые заметки в полезную стратегическую документацию, статьи базы знаний, планы кампаний и многое другое. Кроме того, можно анализировать существующую информацию для установления планов действий и задач. Это лучше всего сработает для страниц с большим количеством текста, где доступно много контекста.
• Создание нового контента. Rovo помогает создавать новый контент, например страницы стратегий, обзоры проектов, примечания к релизу или пользовательские истории. Это лучше всего сработает, когда команды используют четкие и конкретные запросы с учетом определенной цели.

Важно помнить, что из-за принципов работы моделей, используемых для редактирования с помощью Rovo, иногда эти модели могут давать неточные, неполные или ненадежные результаты.

Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным.

Мы обнаружили, что функция редактирования с помощью Rovo может быть менее полезной в следующих ситуациях:

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Для надлежащего ответа на ваш запрос требуется информация, к которой у вас нет прямого доступа (например, в вашем экземпляре).
• Вам необходимо создать контент с форматированием, выходящим за рамки стандартной разметки (например, создание информационной панели с нуля).
• Вам необходимо использовать информацию, которой нет в редактируемом документе (например, содержимое другого документа или другого продукта).
• Вам нужно генерировать и преобразовывать контент на языках, отличных от английского.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Отправляйте Rovo максимально конкретные запросы.
• Разбивайте сложные запросы на небольшие, легко выполнимые задания.
• Используйте подходящие ключевые слова, чтобы повысить точность генерируемого контента.
• Соблюдайте правила грамматики и пунктуации во входном тексте.
• Проверяйте, корректируйте и редактируйте выходные данные, сгенерированные помощником по написанию текстов на основе ИИ, для точности и ясности.
• Экспериментируйте с различными запросами или вариантами входного текста, чтобы изучить разные идеи.
• Сотрудничайте с другими людьми, чтобы получать обратную связь и улучшать качество выходных данных.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при редактировании с помощью Rovo. Этот раздел дополняет сведения, доступные на странице часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, например данные продукта, в котором запущен Rovo.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для функции редактирования с помощью Rovo предусмотрены следующие меры в отношении ваших данных:

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;

  • Они не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Google.

  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
  • используются только для вашего обслуживания.
• Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. OpenAI не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права доступа в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence, вам не будет предложен контент этой страницы в ответе, который вы получите. Если вы не хотите, чтобы ваш контент был доступен в ответах другим пользователям экземпляра, обратитесь к администратору организации, чтобы убедиться, что права доступа настроены соответствующим образом.

Средство переформатирования задач работает на основе больших языковых моделей, разработанных OpenAI, включая серию моделей GPT.

Инструмент Rovo использует эту модель для анализа и создания ответов на естественном языке в Jira.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Подробнее о возможностях моделей OpenAI.

Средство переформатирования задач помогает сделать описания задач Jira более понятными путем их переформатирования с использованием шаблона Atlassian. В этот шаблон включены типы информации, которые обычно присутствуют в описании задачи Jira, такие как пользовательская история, контекст задачи и критерии приемки.

По нашему мнению, средство переформатирования задач наиболее эффективно, когда описания задач уже содержат полезную информацию (например, критерии приемки или ссылки на источники), но эта информация не имеет четкой и единообразной структуры.

Важно помнить: иногда модели, используемые в средстве переформатирования задач, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципом их работы.

Например, переформатированное описание может неточно отражать контент, на основе которого создано, или содержать сведения, которые кажутся правдоподобными, но на самом деле являются ложными или неполными.

Мы обнаружили, что средство переформатирования задач может оказаться менее эффективным в следующих случаях.

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Описания задач содержат мало информации. В этом случае высока вероятность того, что модели, используемые в средстве переформатирования задач, могут добавить информацию, которой не было в исходном описании.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и всегда проверять качество полученных ответов, прежде чем делиться ими с другими. Вам также следует убедиться, что описания задач содержат всю необходимую информацию, прежде чем переформатировать их с помощью средства переформатирования задач.

Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются в средстве переформатирования задач. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, например описание и резюме задачи Jira.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

В средстве переформатирования задач предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • Не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI.
  • не хранятся OpenAI;
  • Не используются для улучшения моделей OpenAI.
  • используются только для вашего обслуживания.
• OpenAI является субобработчиком из нашего списка субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция использует только информацию, доступную в задаче Jira, и вызывается из задачи Jira. Поэтому ее может вызвать только пользователь, который имеет право на просмотр задачи и не будет иметь доступа к другой информации.

Узнать больше об использовании Rovo

Формирование сводки сведений о задаче с помощью ИИ выполняется на базе больших языковых моделей, разработанных компаниями OpenAI и Google. В их число входят серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Rovo использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

Вместо того чтобы читать длинные описания и многочисленные комментарии к задаче Jira Service Management, можно моментально получить сводку по этой информации с помощью Rovo. Благодаря этому агенты могут быстро понимать контекст задачи и достигнутый прогресс, а также принимать срочные меры и оказывать своевременную помощь.

По нашему мнению, лучше всего использовать Rovo для формирования сводок сведений о следующих задачах:

• задачи с описанием и комментариями на английском языке;
• задачи с большим количеством комментариев и (или) длинными комментариями и описаниями.

Важно помнить, что из-за принципов работы моделей, используемых для резюмирования сведений о задаче с помощью ИИ, иногда эти модели могут выдавать неточные, неполные или ненадежные результаты.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что функция резюмирования сведений о задаче посредством Rovo может быть менее полезна в следующих ситуациях:

• используется язык, отличный от английского;
• у задачи нет истории или дополнительных сведений.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Rovo, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при резюмировании сведений о задаче с помощью ИИ. В этом разделе представлены сведения, дополняющие содержание страницы часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, в том числе сведения о задаче Jira Service Management, например ее описание и комментарии к ней, а также пользователи, принимающие участие в заявке.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для резюмирования сведений о задаче с помощью Rovo предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;

  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI, Google или Anthropic в AWS Bedrock;

  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
  • используются только для вашего обслуживания.
• Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права доступа в вашем экземпляре. Кнопка Summarize (Сводка) доступна только агентам и администраторам проекта.

Atlassian Intelligence генерирует краткие описания интеллектуальных ссылок на основе больших языковых моделей, разработанных компаниями OpenAI, Google и Anthropic, а также ряда больших языковых моделей с открытым исходным кодом (в том числе серий Llama, Phi и Mixtral) и других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI, серия моделей Gemini от Google и серия моделей Claude от Anthropic.

Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI, Google и Anthropic. Дополнительные сведения о языковых моделях с открытым исходным кодом см. в справке по сериям Llama и Phi.

Когда вы наводите курсор на интеллектуальную ссылку из Jira, Confluence и Google Документов, Atlassian Intelligence может составить краткое описание контента, определить важность и значение ссылки и принять решение о дальнейших действиях. Благодаря этому необязательно покидать текущую страницу и переключаться между приложениями.

По нашему мнению, краткие описания интеллектуальных ссылок на основе ИИ наиболее полезны в следующих случаях:

• Вы просматриваете страницу или задачу с одной или несколькими интеллектуальными ссылками.
• Вы просматриваете страницу или задачу с одной или несколькими интеллектуальными ссылками, насыщенными контентом, чтение которого отнимает время и отвлекает внимание от основного материала.

Важно! Иногда эти модели могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами работы моделей, используемых в качестве основы при создании краткого описания интеллектуальной ссылки с помощью ИИ.

Например, краткое описание может неточно отражать контент, на котором оно основано, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что в следующих случаях краткие описания интеллектуальных ссылок на основе ИИ могут показать себя не так эффективно:

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• вам нужно кратко изложить контент очень маленького объема;
• вам нужно кратко изложить все метаданные и контент ссылки, например в том случае, если вы хотите изучить все значения полей в заявке Jira, а также ее описание и комментарии.

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при формировании сводки сведений о задаче с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные на странице часто задаваемых вопросов.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, например контент по ссылке, краткое описание которой вы хотите получить.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые ответы, которыми вы делитесь в рамках отзыва.

Для функции создания краткого описания интеллектуальной ссылки с помощью ИИ предусмотрены следующие меры в отношении ваших данных.

• Ваше краткое описание:
  • недоступны другим клиентам;

  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI, Google или Anthropic в AWS Bedrock;

  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
  • используются только для вашего обслуживания.
• Все сторонние поставщики больших языковых моделей являются субобработчиками. Они перечислены в нашем списке субобработчиков. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.

• Эта функция учитывает права в вашем экземпляре. Например, если у вас нет доступа к странице или заявке в Jira, Confluence или Google, вы не сможете создать краткое описание контента из этого источника. Если вы хотите ограничить доступность контента в ответах для других пользователей в вашем экземпляре, обратитесь к администратору организации, чтобы убедиться, что права настроены соответствующим образом.

Функция формирования сводки на базе ИИ в Jira основана на больших языковых моделях, разработанных OpenAI, включая модели, описанные здесь.

Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы составляются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Подробнее о возможностях моделей OpenAI и об этом подходе читайте в исследовательских работах OpenAI.

Вместо того чтобы читать длинные описания и многочисленные комментарии к задаче Jira, можно моментально получить сводку по этой информации с помощью Atlassian Intelligence. Благодаря этому агенты могут быстро понимать контекст задачи и достигнутый прогресс, а также принимать срочные меры и оказывать своевременную помощь.

По нашему мнению, лучше всего использовать Atlassian Intelligence для формирования сводок сведений о задачах с большим количеством комментариев и (или) с длинными комментариями и описаниями.

Важно помнить, что иногда модели, используемые при формировании сводок на базе ИИ в Jira, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами их работы.

Например, полученные ответы могут неточно отражать контент, на котором они основаны, или включать контент, который выглядит правдоподобным, но оказывается недостоверным или неполным.

Мы обнаружили, что сводка сведений о задаче на базе Atlassian Intelligence может быть менее полезна в следующих ситуациях:

• у задачи нет истории или дополнительных сведений;
• у задачи более 100 комментариев (сводка формируется только по 100 последним комментариям).

По этой причине рекомендуется подумать, в каких ситуациях будет уместно использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с кем-либо.

Мы понимаем, что у вас могут возникнуть вопросы о том, как ваши данные используются при формировании сводки сведений о задаче с помощью Atlassian Intelligence. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, в том числе сведения о задаче Jira, например ее описание и комментарии к ней, а также пользователи, принимающие участие в заявке.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Формирование сводки сведений о задаче с помощью Atlassian Intelligence предусматривает следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI;
  • не хранятся OpenAI;
  • не используются для улучшения моделей OpenAI;
  • используются только для вашего обслуживания.
• OpenAI является субобработчиком из нашего списка субобработчиков данных. OpenAI не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре. Эта функция использует только информацию, доступную в задаче Jira, и вызывается из задачи Jira. Поэтому ее может вызвать только пользователь, который имеет право на просмотр задачи и не будет иметь доступа к другой информации.

Функция разделения задач на базе ИИ основана на больших языковых моделях, разработанных OpenAI.

Решение Atlassian Intelligence использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI или ознакомьтесь с исследовательскими работами OpenAI, описывающими этот подход.

Функция разделения задач на базе ИИ помогает разбить крупные блоки работы на более мелкие, предлагая варианты дочерних задач для созданной вами задачи Jira. При формировании резюме и описаний для дочерних задач ваша задача выступает в качестве контекста.

По нашему мнению, функция разделения задач на базе ИИ показывает наилучшие результаты в следующих случаях.

• Начальная задача сопровождается подробным резюме и описанием, в которых указаны все ограничения, инструкции и критерии готовности.
• У начальной задачи нет дочерних задач.

Важно помнить, что иногда модели, используемые при разделении задач на базе ИИ, могут выдавать неточный, неполный или ненадежный результат. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы обнаружили, что в следующих случаях разделение задач на базе ИИ может оказаться не таким эффективным.

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• У начальной задачи нет подробного резюме и описания (например, если вы пытаетесь создать варианты дочерних задач для задачи с коротким и слишком общим описанием).

По этой причине мы рекомендуем вам подумать о том, в каких ситуациях вы будете использовать Atlassian Intelligence, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Отправляйте Atlassian Intelligence максимально конкретные запросы.
• Указывайте в резюме и описании начальной задачи как можно больше информации.

Мы понимаем, что у вас могут возникнуть вопросы о том, как используются ваши данные при разделении задач на базе ИИ. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, связанный с запросом, в том числе данные о задаче (например, резюме, описание и комментарии).
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

При разделении задач на базе ИИ предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • Недоступны другим клиентам
  • не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI;
  • не хранятся OpenAI;
  • не используются для улучшения моделей OpenAI;
  • используются только для вашего обслуживания.
• OpenAI является субобработчиком из нашего списка субобработчиков данных. OpenAI не использует ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре (то есть для создания вариантов дочерних задач у вас должен быть доступ к начальной задаче). Если вы хотите ограничить доступность контента в ответах, создаваемых для других пользователей, обратитесь к администратору организации, чтобы убедиться, что права настроены соответствующим образом.

Узнать больше об использовании Atlassian Intelligence

Агент для собраний работает на базе больших языковых моделей, разработанных OpenAI и Google, а также на основе комбинации других моделей машинного обучения. В их число входит серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Агент для собраний использует эти модели для анализа и создания ответов на естественном языке в наших продуктах.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

Агент для собраний доступен пользователям в организациях, использующих подборку приложений Teamwork Collection (Jira, Confluence и Loom).

Агент для собраний доступен в приложении Loom для компьютеров и помогает извлекать больше пользы из собраний. С его помощью пользователи могут наверстать упущенные темы, зафиксировать список задач и подготовиться к следующему собранию.

По нашему мнению, Агент для собраний показывает наилучшие результаты в следующих случаях.

• Вы хотите задавать вопросы и получать информацию о текущем собрании или серии повторяющихся собраний.
• Вам нужен простой и удобный способ задавать вопросы о базе знаний вашей компании.

Важно помнить, что иногда модели, лежащие в основе Агента для собраний, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

Мы заметили, что Агент для собраний может быть менее полезен в следующих случаях.

• Вы хотите получить информацию о собрании, отличном от текущего или не входящем в серию повторяющихся собраний.
• Вы хотите получить информацию о собрании, для которого нет расшифровки.
• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Для надлежащего ответа Агенту для собраний нужна информация, к которой у вас нет прямого доступа (например, в вашем экземпляре).

По этой причине мы рекомендуем вам учитывать ситуацию, в которой вы собираетесь использовать Агента для собраний, и проверять качество полученных ответов, прежде чем делиться ими с другими.

Также стоит учесть следующее.

• Отправляйте Агенту для собраний максимально конкретные запросы.
• Просите Агента для собраний выполнить поиск в Интернете, если хотите, чтобы у него был доступ к более широкому кругу информации для ответа на ваши запросы. Например, если вы хотите узнать о ситуации на целевом рынке программного обеспечения для видеоконференций, Агент для собраний справится лучше, если добавить в запрос поиск результатов в Интернете.
• Используйте Агента для собраний, чтобы получать информацию и контекст главным образом из записей ваших собраний и сопутствующих материалов. Если вам нужна более общая информация на уровне организации, не зафиксированная в материалах собрания, рекомендуется использовать Rovo. Например, Rovo может быстрее ответить на вопросы «Кто руководит разработкой продукта?» или «Когда следующий общекорпоративный выходной в США?». Если вы хотите использовать Агента для собраний, чтобы быстро получить доступ к организационному контексту из источников, не связанных с материалами собраний, рекомендуется вместо этого использовать Rovo.

Мы понимаем, что у вас могут возникнуть вопросы о том, как Агент для собраний использует ваши данные. В этом разделе представлены сведения, дополняющие информацию в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Расшифровки видео (но не сами видеоролики)
• Контекст из вашего экземпляра, связанный с запросом. Например, если вы введете запрос «Какие бонусы для сотрудников есть в нашей компании на 2026 г.?», мы можем передать вам страницу Confluence с информацией о бонусах, если у вас есть доступ к такой странице.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Агент для собраний применяет следующие меры в отношении ваших данных.

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • Они не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Google.
  • Не хранятся в OpenAI или Google.
  • Не используются для улучшения моделей OpenAI или Google.
  • используются только для вашего обслуживания.
• История переписки с Агентом для собраний охватывает доступные собрания за последние 30 дней.
• OpenAI и Google Vertex являются субобработчиками из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence с конфиденциальными правилами для команды, в которой вы не состоите, контент этой страницы не будет содержаться в ответе, который вы получите. Если вы хотите ограничить доступность контента в ответах для других пользователей экземпляра, обратитесь к администратору организации, чтобы настроить права соответствующим образом.

Подробнее об Агенте для собраний

Агенты в Jira работают на базе больших языковых моделей, разработанных OpenAI и Google. В их число входят серия моделей GPT от OpenAI и серия моделей Gemini от Google.

Агенты в Jira используют эти модели для анализа данных и генерации ответов на естественном языке, а также программного кода прямо в Jira.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей OpenAI и Google.

В Jira можно назначать задачи агентам, созданным в Мастерской, или сторонним агентам, таким как GitHub Copilot. При добавлении агента в задачу вы устанавливаете с ним двунаправленное взаимодействие. Можно непосредственно назначить задачу агенту или настроить запуск агента при изменении статуса задачи в рабочем процессе.

Агенты помогают составлять черновики и краткие обзоры, а также выполнять определенные задания, чтобы вы могли работать в той же системе, где отслеживаете задачи. Более мощные агенты для написания кода, такие как Rovo Dev и GitHub Copilot, также могут генерировать код.

Получив задание, агент приступает к работе и предоставляет результат для проверки в разделе Агенты в карточке задачи. Результат доступен для просмотра, взаимодействия и публикации только вам.

Когда результат вас устроит, вы можете опубликовать его в виде комментария к задаче, чтобы ваша команда тоже могла его просмотреть.

После добавления агента в раздел вы можете работать с ним четырьмя способами:

• добавлять агента в поле «Исполнитель»;
• @упоминать агента в комментариях;
• добавлять агента в переходы рабочего процесса;

• добавлять агента в столбцы на досках.

По нашему мнению, агенты в Jira показывают наилучшие результаты в следующих случаях.

• Задачи содержат достаточно контекста, например подробные описания и материалы (страницы Confluence, варианты дизайна или руководства), чтобы вместо общих рекомендаций агенты могли выдавать ответы, которые учитывают реальные задачи команды.
• Вы используете специализированных агентов из Мастерской или агентов для написания кода (например, Rovo Dev или GitHub Copilot), которые обладают навыками и инструментами, подходящими для задачи (особенно для генерации кода или технического анализа).
• В процессе работы вы хотите делегировать агенту четко определенные задачи (например, создать черновик комментария, критериев приемки или изменения в коде), а людям оставлять задачи, требующие экспертной оценки и окончательного подтверждения.
• Вы хотите работать с агентом, постепенно уточняя и исправляя вывод с помощью последующих запросов.

Важно помнить, что иногда модели, лежащие в основе агентов в Jira, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

По нашим наблюдениям, агенты в Jira могут быть менее полезны в следующих случаях.

• Вам нужна актуальная и точная информация о людях, местах и фактах.
• Вам нужны единообразные и стабильные результаты, которые нельзя изменять. Ответы агентов могут различаться по ряду причин, включая права пользователей.
• Процесс происходит без участия людей. Агенты лучше всего работают с человеком, который может проверить результат или руководить процессом.
• В задаче недостаточно контекста, чтобы агент мог приступить к работе. Такое возможно, когда на сайте Jira или в подключенных приложениях и продуктах недостаточно информации для точного понимания задачи. Такое также случается, когда агенту требуется доступ к конкретным артефактам, таким как варианты дизайна, фрагменты кода или требования, которые не привязаны к задаче и не упоминаются в ней.
• Агент, созданный в Мастерской, не обладает необходимыми навыками для выполнения назначенной ему задачи. Подробнее о добавлении навыков и инструментов для агентов

• Задача требует ведения переговоров и общения с людьми. Агенты могут обобщать точки зрения и предлагать дальнейшие действия, но они не подходят для согласования позиций заинтересованных лиц или принятия обязательств от имени команды.

По этой причине мы рекомендуем вам учитывать ситуацию, в которой вы собираетесь использовать агентов в Jira, и проверять качество полученных ответов, прежде чем делиться ими с остальными.

Также стоит учесть следующее.

• Максимально четко прописывайте в задаче, что должен сделать агент.
• Предоставляйте агенту релевантный контекст и ссылки (страницы, ссылки на репозиторий, код, дизайны).
• Дорабатывайте и корректируйте результаты с помощью последующих запросов.

Мы понимаем, что у вас могут возникнуть вопросы о том, как агенты в Jira используют ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, относящийся к запросу (например, контекст задачи и данные Teamwork Graph), для поиска дополнительной информации, которая поможет агенту выполнить задачу.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.

• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для агентов в Jira предусмотрены следующие меры в отношении ваших данных.

• Ваши запросы (входные данные) и ответы (выходные данные) при работе с агентами, созданными Atlassian или в Мастерской агентов:
  • недоступны другим клиентам;
  • используются только для вашего обслуживания;
  • Они не отправляются сторонним поставщикам больших языковых моделей, кроме OpenAI или Google.
  • не хранятся ни у каких поставщиков больших языковых моделей;
  • не используются для улучшения больших языковых моделей;
  • используются только для вашего обслуживания.
• Если администратор решит установить или включить стороннего агента через приложение Marketplace или сторонний сервер MCP, то использование вами этого агента будут регулировать условия, политика конфиденциальности и правила обработки и хранения данных такой третьей стороны.
  • Сторонние агенты могут использовать модели LLM, субобработчиков данных, инфраструктуру, сроки хранения и средства контроля, которые отличаются от тех, что используют агенты, созданные компанией Atlassian или в Мастерской. Прежде чем включать или использовать стороннего агента, клиентам следует изучить применимые условия и документацию третьей стороны.
• OpenAI и Google Vertex являются субобработчиками из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Например, если у вас нет доступа к определенной странице Confluence, агент не сможет получить к ней доступ, чтобы дать вам ответ. Если вы хотите ограничить доступность контента в ответах для других пользователей экземпляра, обратитесь к администратору организации, чтобы настроить права соответствующим образом.
• Агенты действуют от вашего имени и наследуют ваши права. Они извлекают только те данные, к которым у вас есть доступ, а их вывод видите только вы, пока не решите им поделиться или не запустите действие, которое откроет доступ для других.

Совместная работа над задачами с агентами ИИ

Ресурсы по Rovo

Jira Cloud for Slack использует ИИ для работы функции упоминания Jira в приложении. Для этого применяются большие языковые модели, разработанные Google, в частности моделями серии Gemini.

Приложение использует такие модели для анализа и генерации ответов на естественном языке в Slack, а также для выполнения действий в Jira от имени пользователей.

Эти модели дают ответы на основе ваших входных данных и носят вероятностный характер. Это значит, что ответы генерируются путем прогнозирования наиболее вероятного следующего слова или текста на основе данных, на которых модели прошли обучение.

Узнайте больше о возможностях моделей Google.

Упоминание Jira в Slack позволяет командам регистрировать задачи и управлять ими непосредственно из любого канала Slack. Используйте @Jira, чтобы создавать задачи, обновлять поля и назначать задания на простом языке, не покидая ветки чата. С помощью @Jira также можно назначать задачи участникам команды или передавать их агентам. Настройка занимает несколько секунд, после чего проект и настройки будут сохранены для дальнейшего использования.

Упоминания Jira в Slack помогают командам фиксировать задачи и приступать к их выполнению сразу, как только они возникают в ходе диалога. По нашему мнению, упоминания Jira в Slack лучше всего подходят для следующих сценариев.

• Создание задач из диалогов в Slack. Если в диалоге в Slack выявляется баг, принимается решение или появляется задание, вы можете упомянуть @Jira и описать, что вам нужно, чтобы создать задачу в Jira с соответствующим контекстом.
• Обновление существующих задач. Вы можете попросить агента обновить статус, приоритет или исполнителя существующей задачи Jira прямо в Slack, не открывая Jira.
• Назначение задач агенту. Вы можете попросить Jira назначить задачи агенту, чтобы запустить выполнение.
• Встроенное редактирование задач. Вы или ваши коллеги можете редактировать поля напрямую с помощью развернутой карточки для созданной или обновленной задачи в ветке Slack.
• Настройка стандартных параметров на уровне канала. С помощью команды /агент jira можно задать для определенного канала Slack сайт Jira, проект по умолчанию и пользовательские инструкции, определяющие поведение агента.

Важно помнить, что иногда модели, лежащие в основе приложения Jira, могут давать неточные, неполные или недостоверные результаты. Это связано с принципами их работы.

Например, такие ответы могут неточно отражать контент, на котором они основаны, или включать контент, который кажется правдоподобным, но является недостоверным или неполным.

По нашим наблюдениям, упоминание @Jira в Slack может быть менее полезно в следующих случаях.

• У вас недостаточно прав в Jira, что ограничивает вашу возможность выполнять запросы и действия.
• В ветке или канале Slack, которые вы используете, содержатся расплывчатые или неточные формулировки. В этом случае @Jira с меньшей вероятностью будет создавать или обновлять точные задачи.
• Вы даете нечеткие или расплывчатые инструкции при @упоминании Jira.
• В канале нет актуальной и точной информации о людях, местах и фактах.

По этой причине мы рекомендуем учитывать ситуацию, в которой вы собираетесь использовать упоминание @Jira в Slack, и проверять качество полученных ответов.

Также стоит учесть следующее.

• Старайтесь формулировать свои запросы как можно конкретнее.
• Перефразируйте запросы.
• Проверяйте созданные или обновленные задачи Jira на точность перед закрытием ветки в Slack.

Мы понимаем, что у вас могут возникнуть вопросы о том, как приложение Jira for Slack использует ваши данные. Этот раздел дополняет сведения, доступные в Atlassian Trust Center.

Мы обрабатываем следующие данные.

• Ваши запросы (ввод) и ответы (вывод).
• Контекст из вашего экземпляра, относящийся к вашему запросу, например обновления задачи Jira.
• Данные о том, как вы взаимодействуете с нашими функциями, например данные о переходах и пользователях, с которыми вы работаете.
• Отзывы, которые вы решили оставить о функции, включая любые запросы или ответы, которыми вы делитесь в рамках отзыва.

Для приложения Jira for Slack предусмотрены следующие меры в отношении ваших данных:

• Ваши запросы (ввод) и ответы (вывод):
  • недоступны другим клиентам;
  • они не отправляются сторонним поставщикам больших языковых моделей, кроме Google;
  • не хранятся в Google;
  • не используются для улучшения моделей Google.
  • используются только для вашего обслуживания.
• Google Vertex является субобработчиком из нашего списка субобработчиков данных. Они не используют ваши входные и выходные данные ни для каких целей, кроме обработки вашего запроса.
• Эта функция учитывает права, заданные в вашем экземпляре. Например, если у вас нет права на создание задач, вы не сможете сделать это, упомянув Jira в Slack.

Ресурсы по Rovo

Статья поддержки

Описание Slack в Marketplace

Loom Editor is powered by large language models developed by OpenAI and Google, as well as a combination of open-source large language models (including the Llama series) and other machine learning models. These models include OpenAI’s GPT series of models and Google’s Gemini series of models.

Loom Editor uses these models to extract and analyze content from video transcripts and generate natural language within Loom.

These models generate responses based on your inputs and are probabilistic in nature. This means that their responses are generated through predicting the most probable next word or text based on the data that they have been trained on.

Loom Editor uses these models to extract context from video transcripts. Key capabilities include auto-generating titles, summaries and chapters, as well as enabling transcript-based editing and the automatic removal of filler words and silences.

Read more about the capabilities of OpenAI’s models and Google’s models. For more information on open-source language models, see information on the Llama series.

Loom Editor includes a number of AI-powered capabilities that are designed to automatically enhance your Loom videos. Loom Editor currently includes the following feature capabilities:

• Auto titles: A customized video title is automatically generated based on context from the video transcript.
• Auto summaries: A summary is automatically generated after recording and displayed in the description box below your video. 
• Auto chapters: Chapters are automatically generated based on topics discussed in your video. The chapter breaks your video up into sections so viewers can navigate with ease. 
• AI workflows: Transform your video into a text document, message, or bug report that you can submit directly to Jira.
• Translate captions: Automatically translate captions in a variety of different languages.

We believe Loom Editor works best in scenarios where you want to:

• Generate quick navigational aids: Break videos into sections using Auto chapters for easy navigation.
• Create instantly shareable recaps: Automatically generate customized Auto titles and Auto summaries right after recording.
• Bridge video and text documentation: Convert video content into text assets like AI workflows, such as SOPs, messages, or bug reports submitted directly to Jira.
• Polish verbal delivery: Sound more professional by removing filler words like "ums" and "ahs" or trimming long silences.
• Direct audience action: Automatically generate an Auto call-to-action button based on recording context to guide next steps.
• Translate captions: Automatically translate captions in different languages.

It’s important to remember that because of the way that the models used to power how Loom Editor work, these models can sometimes behave in ways that are inaccurate, incomplete or unreliable.

For example, the responses that you receive might not accurately reflect the content that they are based on, or include content that sounds reasonable but is false or incomplete

We’ve found that Loom Editor are less useful in scenarios where:

• You require translation to languages that are less widely spoken. LLMs generally tend to be better at languages that are more widely spoken (and more well-documented)
• You need very consistent and regular output that is not subject to any variation as answers can vary for a number of reasons.
• Humans aren’t involved. Loom Editor works best with a human to verify or guide the desired output.
• You need to generate new visual elements or images, as Loom Editor is primarily focused on text and basic video trimming.

For this reason, we encourage you to think about the situations when you use Loom Editor and review the content before sharing it with others.

We understand you may have questions about how Loom Editor uses your data. This section supplements the information available on our Trust Center.

We process:

• Context from your instance relevant to your prompt, such as the selected video file, its transcript, video metadata, and any text you provide on or around the video.
• Data about how you interact with our features, such as clickstream data and the people you work with.
• Feedback you choose to provide about this feature, including any prompts or responses you choose to share as part of your feedback.
• The video file itself (audio + video stream)
• The auto-generated transcript of that video (text)
• Any existing metadata about the video, including:
  • Title, description, tags
  • Chapters / sections/ summaries (if already present)
  • Call-to-action configuration (e.g., target URL, button text), feedback you choose to provide about this feature, including any prompts or content you choose to share as part of your feedback.
  • Captions derived from the transcript
• Any user-provided text:
  • Edits to title, summary, chapters
  • Text added via overlays (annotations, arrows, boxes, etc.)

When it comes to your data, Loom Editor applies the following measures.

• Your prompts (inputs) and responses (outputs):
  • Are not available to other customers.
  • Are not sent to any third party LLM provider other than OpenAI and Google
  • Are not stored by any LLM provider
  • Are not used to improve any large language/OpenAI or applicable 3P models.
  • Are used only to serve your experience.
• OpenAI, Google Vertex and AWS Bedrock are each a subprocessor on our List of Subprocessors. They do not use your inputs and outputs for any purpose besides processing your request.
• This feature follows the permissions in your instance. For example, if you do not have access to a certain Loom video, you will not be able to use Loom Editor to edit that content. If you do not want Loom videos to be available in responses to other users in your instance, please work with your org admin to ensure your permissions are set appropriately.

AI Video Editor: Loom Video Editing Features

Loom Screenshots is powered by large language models developed by OpenAI, Anthropic, and Google, as well as a combination of open-source large language models (including the Llama series) and other machine learning models. These models include OpenAI’s GPT series of models, Anthropic’s Claude series of models and Google’s Gemini series of models.

Loom Screenshots uses these models to allow you to generate an auto-title for your Loom screenshot through the desktop app or Chrome extension.

These models generate responses based on your inputs and are probabilistic in nature. This means that their responses are generated through predicting the most probable next word or text based on the data that they have been trained on.

Read more about the capabilities of OpenAI’s models and Google’s models. For more information on open-source language models, see information on the Llama series.

Loom Screenshots allows you to capture, annotate, share and store your screenshots. Loom Screenshots includes the following feature capabilities

• Capture Options: You can capture a custom area, a specific tab, or your full screen.
• Instant Sharing: Every screenshot generates a unique, shareable link automatically, removing the need to download and upload files manually.
• Annotation Tools: You can enhance your images by adding text, shapes, and arrows directly in the Loom editor to highlight important elements.
• Cloud Library: All screenshots are automatically stored in your Loom library, where you can manage them with folders and tags.

We believe Loom Screenshots works best in scenarios where:

• You have on-screen elements that you want to highlight and draw attention to.
• You want an easy way to share your screen captures without manual file downloads or uploads.
• You often want to record different aspects of your screen, whether it be a custom area, a specific tab, or your entire screen.
• You want an easy way to manage and centralize your stored screen captures.
• Your screenshot includes enough information from which to auto-generate a more accurate title.

It’s important to remember that because of the way that the models used to power Loom Screenshots work, these models can sometimes behave in ways that are inaccurate, incomplete or unreliable.

For example, the titles that are auto-generated by Loom Screenshots might not accurately reflect the content that they are based on, or include content that sounds reasonable but is false or incomplete.

We’ve found that Loom Screenshots are less useful in scenarios where:

• You need to edit live video, because Loom Screenshots only edits static screenshots.
• You need to show live actions, such as demonstrating a bug that requires clicks or scrolling.
• Complex UIs, like dashboards with many panels or multi-screen flows, benefit more from short videos than screenshots to preserve context.
• Highly interactive collaboration, such as live brainstorming and whiteboarding.
• Humans aren’t involved. Loom Screenshots works best with a human verifying or guiding the output.

For this reason, we encourage you to think about the situations when you use Loom Screenshots and review each screenshot before sharing it with others.

We understand you may have questions about how Loom Screenshots uses your data. This section supplements the information available on our Trust Center.

We process:

• Your prompts (inputs) (e.g. screenshot image) and responses (outputs) (e.g. auto-generated title)
• Context from your instance relevant to your prompt, such as screenshots, metadata, and any text you provide on or around the screenshot.
• Data about how you interact with our features, such as clickstream data and the people you work with.
• Feedback you choose to provide about this feature, including any prompts or responses you choose to share as part of your feedback.

When it comes to your data, Loom Screenshots applies the following measures.

• Your prompts (inputs) and responses (outputs):
  • Are not available to other customers.
  • Are not sent to any third party LLM provider other than OpenAI, Google, or Anthropic on AWS Bedrock.
  • Are not stored by any LLM provider
  • Are not used to improve any large language/OpenAI or applicable 3P models.
  • Are used only to serve your experience.
• OpenAI, Google Vertex and AWS Bedrock are each a subprocessor on our List of Subprocessors. They do not use your inputs and outputs for any purpose besides processing your request.
• This feature follows the permissions in your instance. For example, if you do not have access to a certain Loom video, you will not be able to use Loom Screenshots to edit that content. If you do not want Loom videos to be available in responses to other users in your instance, please work with your workspace admin to ensure your permissions are set appropriately.

Free Screenshot for Chrome browser

Create with Rovo is powered by large language models developed by OpenAI and Anthropic, as well as a combination of open-source large language models (including the Llama series) and other machine learning models. These large language models include OpenAI’s GPT series of models and Anthropic’s Claude series of models.

Create with Rovo uses these models to analyze and generate natural language and and supported file formats within our apps.

These models generate responses based on your inputs and are probabilistic in nature. This means that their responses are generated through predicting the most probable next word or text based on the data that they have been trained on.

Read more about the capabilities of OpenAI’s models and Google’s models. For more information on open-source language models, see information on the Llama series.

Create with Rovo allows users to prompt AI to create a piece of content (for example, whiteboard, live doc, page, database, blog) with just a click.

We believe that Create with Rovo works best in scenarios where:

• Starting from a blank canvas. Create with Rovo helps users generate a first draft of a Confluence page, whiteboard, database, blog, or live doc from a prompt. This works best when users provide a clear goal, intended audience, and any relevant context they want reflected in the new content.
• Creating structured content from ideas or notes. Create with Rovo can turn rough inputs, meeting notes, or early ideas into more organized content, such as project overviews, strategy pages, campaign plans, release notes, or user stories. This works best when the user is looking for a useful starting point that they can review and refine.
• Generating reusable templates or formats. Create with Rovo can help users draft templates, page structures, or other starting points for common team workflows. This works best when users treat the output as AI-generated draft content and review it for accuracy, completeness, and fit before sharing or using it.

It’s important to remember that because of the way that the models used to power Create with Rovo work, these models can sometimes behave in ways that are inaccurate, incomplete or unreliable. For example, the responses that you receive might not accurately reflect the content that they are based on, or include content that sounds reasonable but is false or incomplete.

We’ve found that Create with Rovo is less useful in scenarios where:

• You need structured knowledge data from your organization’s knowledge base. Create with Rovo works best with unstructured, natural language data and information and may not be as precise when prompted to work with structured data
• You need current and accurate information about people, places and facts.
• You need Create with Rovo to have access to information that isn’t available to you because of permissions issues (e.g. with information inside a Confluence knowledge base that is restricted)
• You make typos when calling out entity names (for example, team names, people names) inside prompts. This is because Create with Rovo may not be able to locate those entities within your knowledge base, so that the results you receive are incomplete or reproduce those typos as if they are real.
• You want Create with Rovo to reuse a specific template that you attach to the prompt box. Create with Rovo isn’t deterministic, so it won’t follow that template exactly

For this reason, we encourage you to think about the situations when you use Rovo and review the quality of the responses you receive before sharing them with others.

You might also want to think about:

• Being as specific as possible in what you ask Rovo to do.
• Reviewing any AI-generated template before applying it to your content. Templates generated using Create with Rovo, whether by you or other users, can vary in quality and completeness depending on the prompts used to create them.

We understand you may have questions about how Create with Rovo uses your data. This section supplements the information available on our Trust Center.

We process:

• Your text prompts (inputs) and responses (outputs).
• Your voice prompts entered using the mic icon in the prompt box (inputs). We will process the audio to generate transcripts, and we only use transcripts to complete the request.
• Context from your instance relevant to your prompt, including any 3P sources connected to your instance
• Data about how you interact with our features, such as relevant Teamwork Graph data
• Feedback you choose to provide about this feature, including any prompts or responses you choose to share as part of your feedback.

When it comes to your data, Create with Rovo applies the following measures.

• Your prompts (inputs) and responses (outputs):
  • Are not available to other customers.
  • Are not sent to any third-party LLM provider other than OpenAI or Anthropic on AWS Bedrock.
  • Are not stored by any LLM provider.
  • Are not used to improve any large language/OpenAI or applicable 3P models.
  • Are used only to serve your experience and to help us improve the product
• OpenAI and AWS Bedrock are each a subprocessor on our List of Subprocessors. They do not use your inputs and outputs for any purpose besides processing your request.
• This feature follows the permissions in your instance. For example, if you do not have access to a certain Confluence page, you will not be suggested content from that page in the response you receive. If you do not want your content to be available in responses to other users in your instance, please work with your org admin to ensure your permissions are set appropriately.

Rovo resources

Marketplace app review summary is powered by large language models developed by OpenAI, as well as other machine learning models. These large language models include OpenAI’s GPT series of models.

Marketplace app review summary uses these models to analyze and generate natural language within our products.

These models generate responses based on your inputs and are probabilistic in nature. This means that their responses are generated through predicting the most probable next word or text based on the data that they have been trained on.

Read more about the capabilities of OpenAI’s models.

Marketplace app review summary helps users understand what real customers say about an app, without having to read every review. It produces a short, plain-language summary of the public, approved reviews on the app listing page on Marketplace — covering what customers like, what they don't, and how they typically use the app.

Marketplace app review summary works best in scenarios where:

• Your chosen app has enough recent reviews in English for common themes to come through clearly.
• You want a quick overview of customer sentiment before reading individual reviews or trialing the app.
• You use the summary alongside the app listing, vendor documentation, and individual reviews — rather than on its own.

You may also want to keep in mind that:

• The summary is intentionally short. It highlights only the most common themes and a few pros and cons, so individual nuances may not appear.
• Only reviews written in English are considered when generating a summary.
• When many high-rated reviews have little or no written content, the summary can reflect the longer, more detailed reviews more heavily, which can sometimes skew negative even when the overall star rating is positive.
• Recent, prominent reviews of a temporary issue can affect the summary until newer reviews come in.
• Summaries are cached for 24 hours and updated periodically when a certain threshold of new reviews is reached, rather than on every new review, so the most recent reviews may not yet be reflected.
• For scenarios when there aren’t enough reviews to summarise reliably, a summary won’t be shown.

It's important to remember that because of how the models powering Marketplace App Review Summary work, they can sometimes produce results that are inaccurate, incomplete, or unreliable.

For example, the responses that you receive might not accurately reflect the content that they are based on, or include content that sounds reasonable but is false or incomplete.

We've found that the Marketplace app review summary is less useful in scenarios where:

• An app has very few reviews, or its reviews are short, off-topic, or written in languages other than English. In these cases, the summary may not be representative or may not be shown at all.
• You need precise, current details about an app's features, security posture, or known bugs. The vendor's listing, documentation, and support channels are the source of truth for these.
• You're making a purchasing, security, or compliance decision about an app. The summary is just a starting point, not the basis for a final decision.
• You need current and accurate information about people, places, and facts.

You might also want to think about:

• Treating the summary as a starting point, not the final word. Read a few individual reviews — including the most recent ones and any vendor replies — alongside the summary before making a decision.

We process:

• The public-approved reviews, the review content, the number of votes, the date it got published, and the status of the review - on an app's Marketplace listing that we use to generate the summary.
• Data about how you interact with the feature, such as whether a summary is shown, number of analytic events landing on the reviews section of the app listing page.
• Feedback you choose to provide about a summary via ECOHELP tickets or from the general feedback collector.

When it comes to your data, the Marketplace app review summary applies the following measures.

Your inputs and outputs:

• Are based only on reviews that are already public and approved on the Marketplace listing. No private content from your Atlassian instance is sent to the model.
• The summary will not include your personal details, such as name or email ID. It will provide a general overview of customer feedback about the app.
• Are not available to other customers in any form other than the publicly displayed summary on the Marketplace app listing.
• Are not sent to any third-party LLM provider other than OpenAI, and only through Atlassian's internal AI Gateway.
• Are not stored by those providers beyond what's needed to serve the request.
• Are not used to train or improve any third-party large language model.
• If you prefer your app review not to be used to generate the summary with the mentioned LLM, we recommend not publishing the review.

OpenAI is a subprocessor on our list of data subprocessors. They do not use your inputs or outputs for any purpose other than processing your request.

We cache generated summaries so they can be shown quickly to other Marketplace customers. Cached summaries are based only on public reviews and don't contain any personal or instance-specific data.

AI Generated Summaries for Work Items is powered by large language models developed by OpenAI. These large language models include OpenAI's GPT series of models.

AI Generated Summaries for Work Items uses these models to analyze Jira work item information and generate short natural-language summaries within our products.

These models generate responses based on your inputs and are probabilistic in nature. This means that their responses are generated through predicting the most probable next word or text based on the data that they have been trained on.

Read more about the capabilities of OpenAI’s models.

AI Generated Summaries for Work Items helps you get a clear, concise overview of a Jira work item by summarizing the item's intent, current status, and next steps, so you can understand a work item faster and move to action sooner before manually reading through all of its details and linked context.

We believe that AI Generated Summaries for Work Items works best in scenarios where:

• You want a quick overview of a work item before deciding what to do next.
• You want to understand the most relevant information about a work item without reading through every field or linked work item manually.
• You want to understand the key decisions taken.
• You need to review one or more dense work items (for example, with multiple comments, linked work items and history) and want a quick way to know where to start.

It's important to remember that because of the way that the models used to power AI Generated Summaries for Work Items work, these models can sometimes behave in ways that are inaccurate, incomplete or unreliable.

For example, the responses that you receive might not accurately reflect the content that they are based on, or include content that sounds reasonable but is false or incomplete.

We've found that AI Generated Summaries for Work Items is less useful in scenarios where:

• You need current and accurate information about people, places and facts.
• You need AI Generated Summaries for Work Items to have access to information that isn't readily available to you (for example, in your instance) to properly answer your request.
• You need a guaranteed complete or authoritative record of a work item. The summary is intended to provide you with a starting point and should not be relied upon as a substitute for reviewing the work item details when needed.
• The underlying work item information is incomplete, outdated, ambiguous, or inconsistent.
• Permissions or access to relevant work item content have recently changed and the summary has not yet been refreshed.

For this reason, we encourage you to think about the situations when you use Rovo and review the quality of the responses you receive before sharing them with others.

You might also want to think about:

• Being as specific as possible in what you ask Rovo to do.
• Keeping work item fields, descriptions, comments, and linked work items accurate and up to date.
• Confirming that the summary reflects the latest work item information, especially when permissions, status, ownership, or linked work items have recently changed.
• Treating the summary as an assistive overview rather than a replacement for the work item itself.

We understand you may have questions about how AI Generated Summaries for Work Items uses your data. This section supplements the information available on our Trust Center.

We process:

• Your prompts (inputs) and responses (outputs).
• Context from your instance relevant to your prompt, such as Jira work item data and Jira work item relationships and linked work item context.
• Data about how you interact with our features, such as clickstream data and the people you work with.
• Feedback you choose to provide about this feature, including any prompts or responses you choose to share as part of your feedback.

When it comes to your data, AI Generated Summaries for Work Items applies the following measures.

• Your prompts (inputs) and responses (outputs):
  • Are not available to other customers.
  • Are not sent to any third party LLM provider other than OpenAI.
  • Are not stored by any LLM provider.
  • Are not used to improve any large language or OpenAI models.
  • Are used only to serve your experience.
• OpenAI is a subprocessor on our List of Subprocessors. They do not use your inputs and outputs for any purpose besides processing your request.
• This feature follows the permissions in your instance. Generated summaries are shown only to users who have access to the underlying Jira work item, and only unrestricted content is used for summarization. If permissions change, summaries are refreshed so that users only see summaries for work items they have access to. If you do not want your content to be available in responses to other users in your instance, please work with your org admin to ensure your permissions are set appropriately.

Rovo resources