透明性を重視して設計された Atlassian Intelligence および Rovo

Atlassian Intelligence による PIR (インシデント事後レビュー) の作成には、OpenAI が開発した大規模な言語モデルが使用されています。これらの大規模な言語モデルには、OpenAI の GPT シリーズのモデルが含まれます。Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析/生成します。

これらのモデルは、ユーザーの入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、トレーニングを受けたデータに基づいて、最も可能性の高い次の単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

PIR はインシデント管理プロセスの中核であり、インシデント担当者とマネージャーが現在のインシデントから学びを得て、同様のインシデントの発生を防ぐためのインサイトを共有するのに役立ちます。Atlassian Intelligence は、Jira Service Management インスタンスや Slack などのチャット ツールでの関連するコンテキスト情報に基づき、PIR の説明を提案します。これによって、PIR のコンパイルという時間のかかりやすいタスクのスピードアップをサポートします。

AI による PIR の作成が最も効果的に機能するのは、次のようなシナリオでしょう。

• 組織がインシデントの PIR のコンパイルを一貫して実行している場合。

• Slack などのチャット ツールや Jira Service Management にインシデントの詳細が点在しており、それらのソースから PIR をコンパイルするためにより多くの時間を費やす必要がある場合。

• 組織が、インシデントを完全かつ最新な情報とともに Jira Service Management に記録している場合。

PIR の作成に使用されるモデルは、その構造上、不正確、不完全、または信頼できない動作を示す場合があることを念頭に置くことが重要です。たとえば、受け取った回答において、基となっているコンテンツが正確に反映されていない場合や、合理的なようでも虚偽または不完全なコンテンツが含まれている場合もあります。

AI による PIR の作成は、次のようなシナリオにおいてあまり効果的ではないことが判明しています。

• 人、場所、事実に関する最新かつ正確な情報が必要である。
• PIR の説明が正しく生成されるためにアクセスを必要とする情報に対して、ご自身がアクセスできない状況にある場合 (ご自身がアクセス権を持たないチャット チャンネルなど)。
• Jira Service Management インスタンスで利用できるデータが不完全であるか、詳細が不十分であるため、PIR を作成しても正確な説明を生成できない可能性がある場合。

こうした理由から、Atlassian Intelligence を使用できる状況をご検討いただき、受け取った回答の質を確認した上で、他のユーザーと共有することをお勧めします。

こちらもぜひご検討ください。

• Atlassian Intelligence に実行してもらいたいアクションを、できるだけ具体的に記述します。
• チーム全体で一貫したインシデント管理の運用を行うようにします。たとえば、Jira Service Management インスタンスにインシデントに関する完全かつ正確な詳細を記録し、関連するチャット チャンネルをインシデントにリンクするようにします。

AI によるインシデント事後レビューの作成において、お客様のデータがどのように使用されるか、疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

処理されるデータの種類は以下のとおりです。

• お客様のプロンプト (入力) と回答 (出力)。
• インシデント データ (要約、ラベル、優先度、対応者チーム、説明など)、リンクされたアラート、リンクされた Slack チャット チャンネルなど、プロンプトに関連するインスタンスのコンテキスト。
• クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。

• お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

AI による PIR の作成では、お客様のデータに対して次の指標が適用されます。

• プロンプト (入力) と回答 (出力) について:

  • 他のお客様は利用できません。

  • OpenAI 以外のサードパーティの LLM プロバイダには送信されません。

  • OpenAI によって保存されません。

  • OpenAI モデルの改善には利用されません。

  • ご自身のエクスペリエンスのためにのみ利用されます。

• あらゆるサードパーティの LLM プロバイダーは復処理者であり、「復処理者」ページに記載されています。

• この機能は、ご利用のインスタンスの権限に従います。たとえば、そのインシデントでリンクされたアラートやリンクされた Slack チャンネルにご自身がアクセスできない場合は、それらのコンテンツを使用した提案が回答に含まれることはありません。インスタンス内の他のユーザーへの回答に自分のコンテンツが利用されないようにするには、組織管理者に連絡して、ご自身の権限が適切に設定されていることをご確認ください。

Atlassian Intelligence によるプル リクエストの説明の生成は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語およびコードを分析し、説明を生成します。

これらのモデルは、入力された内容に基づいて回答を生成し、本質的に確率的です。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデル、Google のモデル、Anthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズや Phi シリーズでご確認ください。

Atlassian Intelligence は、Bitbucket Cloud のコード レビュー エクスペリエンスでプル リクエストの説明やコメントを書いているときに、コンテンツの生成、変換、要約をサポートします。これには、次が含まれます。

• プル リクエストに含まれるコード変更に基づいてプル リクエストの説明を生成します。
• プル リクエストの説明の要約、改善、またはトーン変更を行います。
• プル リクエストのコメントの要約、改善、またはトーン変更を行います。

アトラシアンでは、Atlassian Intelligence を使用した Bitbucket Cloud のプル リクエストの説明の生成は、次のようなシナリオで最も効果的だと考えています。

• コード作成者が、プル リクエストの説明を書いたり改善したりするのを、Atlassian Intelligence に手伝ってもらいたい。これは、Atlassian Intelligence によって生成されたコンテンツがプル リクエストの説明として適切であると判断できるチームに最適です。
• コード レビュー担当者が、すでに下書きしたプル リクエストのコメントのトーンや内容の改善を、Atlassian Intelligence に手伝ってもらいたい。

この機能に使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答に質問の内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した Bitbucket Cloud のプル リクエストの説明の生成は、次のようなシナリオではあまり効果的ではないことが判明しています。

• プル リクエストの説明で、コード変更にまだ存在していない情報 (たとえば、リポジトリの他の場所に含まれているソース コード) について言及する必要がある。
• Atlassian Intelligence によって生成されたコンテンツがプル リクエストの説明として正しいかどうかを判断できない。
• 人、場所、事実に関する最新かつ正確な情報が必要である。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

• Atlassian Intelligence に質問する内容をできるだけ具体的にする。
• AI ライティング・アシスタントによって生成された出力を校正、レビュー、編集して、正確でわかりやすくします。
• 他のユーザーと協力してフィードバックを収集し、出力の品質を向上させます。

Confluence で Atlassian Intelligence を利用して用語を定義する際に、お客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

• プロンプト (入力) と回答 (出力)
• プロンプトに関連するインスタンスからのコンテキスト:
  • プル リクエストのコード変更とコミット メッセージ
  • プル リクエストの説明の内容
  • プル リクエストのコメントの内容
• クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。
• この機能について提供したいフィードバック

Atlassian Intelligence を使用したプル リクエストの説明の生成では、データについて次のような対策を適用しています。

• プロンプト（入力）と回答（出力）：
  • 他のお客様は利用できません。

  • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません。

  • どの LLM プロバイダーにも保管されません。
  • LLM モデルの改良には利用されません。
  • ご自身のエクスペリエンスのためにのみ利用されます。
• あらゆるサードパーティの LLM プロバイダーは復処理者であり、「復処理者」ページに記載されています。

Atlassian Analytics における Atlassian Intelligence を使用した SQL クエリの生成は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して自然言語を分析および理解し、それを Atlassian Analytics 内でSQL（構造化クエリ言語）に変換します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデル、Google のモデル、Anthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズや Phi シリーズでご確認ください。

独自の SQL クエリをゼロから作成するのではなく、Atlassian Intelligence に自然言語で質問して、SQL に変換させます。質問すると、Atlassian Intelligence は、選択したデータ・ソースの Atlassian Data Lake のスキーマを使用して、Atlassian Analytics ダッシュボードにグラフを作成するための SQL クエリを生成します。Data Lake のスキーマについて学ぶのにも役立ちます。

アトラシアンでは、Atlassian Intelligence を使用した SQL クエリの生成は、次のようなシナリオで最も効果的だと考えています。

• 生成された SQL から始めて、必要に応じてクエリを調整してカスタム・グラフを構築したいと考えている。
• 自然言語の質問には Atlassian Data Lake のスキーマで参照されている単語や概念が含まれており、できるだけ具体的に記入されている。
• Atlassian Data Lake のスキーマの詳細を確認したいと考えている。

Atlassian Intelligence を使用して SQL クエリを生成するために使用されるモデルの動作方法により、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることに留意することが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した SQL クエリの生成は、次のようなシナリオではあまり役に立たないことが判明しました。

• 人、場所、事実に関する最新かつ正確な情報が必要である。
• この機能が、Atlassian Data Lake のスキーマではすぐに利用できない情報（たとえば、Advanced Roadmaps のデータなど）にアクセスし、質問に適切に答えるために必要である。
• 質問にカスタム・フィールドへの参照が含まれている。
• 英語以外の言語で質問されている。
• Atlassian Intelligence から返された SQL を検証できるほど SQL に精通していない。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

• Atlassian Intelligence に質問する内容をできるだけ具体的にする。
• 使用している Atlassian Data Lake のデータ・ソースに、質問に答えるのに必要なデータが含まれていることを確認する。

Atlassian Intelligence を利用して SQL クエリを生成する際に、お客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

• お客様のプロンプト (入力) と回答 (出力)。
• インスタンスに適用可能な、一般公開されている Atlassian Data Lake のスキーマを含む、プロンプトに関連するインスタンスからのコンテキスト。
• クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
• お客様が提供することを選択した、この機能についてのフィードバック（フィードバックの一部として共有することを選択したプロンプトや回答を含む）。

データに関しては、Atlassian Intelligence を使用した SQL クエリの生成には、次のような対策を適用しています。

• プロンプト（入力）と回答（出力）：
  • 他のお客様は利用できません。

  • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません。

  • どの LLM プロバイダーにも保管されません。
  • LLM モデルの改良には利用されません。
  • ご自身のエクスペリエンスのためにのみ利用されます。
• すべてのサードパーティの LLM プロバイダーは、「復処理者」のページに記載されています。これらのプロバイダーがリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
• この機能は、Atlassian Data Lake の接続の権限に従います。たとえば、Atlassian Data Lake 接続にアクセスできない場合、SQL を構築してクエリを実行することはできません。

Atlassian Intelligence を使用した Confluence における回答の検索は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析および生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデル、Google のモデル、Anthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズや Phi シリーズでご確認ください。

ナレッジ・ベースが急速に拡大しすぎて、ユーザーが追いつけません。Atlassian Intelligence を使用して Confluence で回答を検索すると、作業を進めるために必要な重要な情報にすばやくアクセスできます。この機能は、必要な情報を簡単に見つけるのに役立ちます。ユーザーがチームメイトに尋ねるような質問を理解し、即座に回答します。Atlassian Intelligence を使用して Confluence で回答を検索する方法の詳細を見る

Atlassian Intelligence を使用して Confluence で回答を検索するのは、詳細で完全かつ最新のコンテンツが Confluence サイトに大量に記載されている場合に最適だと私たちは考えています。

この機能は新しいコンテンツを生成するのではなく、（制限を守りながら） Confluence のページやブログを検索し、質問への回答を見つけます。Atlassian Intelligence は、Confluence の内容（具体的にはユーザーがアクセス権を持っている情報）のみに基づいて回答を生成します。

Atlassian Intelligence を使用して Confluence で回答を検索するために使用されるモデルの仕組み上、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることにご注意ください。

たとえば、受け取った回答に質問の内容が正確に反映されていなかったり、妥当なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した Confluence での回答の検索は、次のようなシナリオではあまり効果的でないことが判明しています。

• 人、場所、事実に関する最新かつ正確な情報が必要である。
• 頻繁に変更される傾向がある情報（たとえば、毎月更新されるロードマップ）について、最新かつ正確な情報が必要である。
• 特定の人々と、その人が組織で果たしている役割について、最新かつ正確な情報が必要である。
• 質問に正しく回答するためには、自分が利用できない情報へのアクセス権が必要である（Confluence インスタンスのページが制限されているなど）。
• 回答が、さまざまな値やカテゴリ（たとえば、毎週更新される指標）で構成されている。
• ニュアンス、複雑さ、または人間レベルの推論を必要とする答えが必要である。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

• Atlassian Intelligence に質問する内容をできるだけ具体的にする。
• Confluence インスタンスに文書化されていることを把握しており、かつアクセス権を有していることについて質問する。

Atlassian Intelligence を使用して Confluence で回答を検索する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

• お客様のプロンプト (入力) と回答 (出力)。
• Confluence 検索から返された上位 3 ページのコンテンツなど、プロンプトに関連するインスタンスからのコンテキスト。
• クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
• お客様が提供することを選択した、この機能についてのフィードバック（フィードバックの一部として共有することを選択したプロンプトや回答を含む）。

Atlassian Intelligence を使用して Confluence で回答を検索する際には、お客様のデータについて次のような対策が適用されます。

• プロンプト（入力）と回答（出力）：
  • 他のお客様は利用できません。

  • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません。

  • どの LLM プロバイダーにも保管されません。
  • LLM モデルの改良には利用されません。
  • ご自身のエクスペリエンスのためにのみ利用されます。
• サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
• この機能はインスタンスの権限に従います。たとえば、特定の Confluence ページにアクセスできない場合、受信する回答にそのページのコンテンツが使用されることはありません。ご自身のコンテンツがインスタンスの他のユーザーへの回答として利用されないようにするには、組織の管理者に連絡して、権限が適切に設定されていることをご確認ください。

Jira における Atlassian Intelligence を使用した課題の検索は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して自然言語を分析および理解し、それを Atlassian Analytics 内で JQL（Jira クエリ言語）に変換します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデル、Google のモデル、Anthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズや Phi シリーズでご確認ください。

複雑なクエリを作成するのではなく、日常の言葉で何をしたいかを Atlassian Intelligence に質問できるようになりました。Atlassian Intelligence を使用して課題を検索すると、プロンプトが JQL クエリに変換され、特定の課題をすばやく検索できます。

アトラシアンでは、Atlassian Intelligence を使用した課題の検索は、次のような場合に最も効果的だと考えています。

• Jira プロジェクトで使用可能な課題フィールドを使用して Jira の課題をクエリしている。
• クエリには、課題検索を絞り込むのに役立つ特定のフィールドと値が含まれている。
• 検索対象のフィールドと値が Jira プロジェクトに存在している。
• 英語でクエリを実行している。
• クエリは JQL に翻訳可能である。Atlassian Intelligence はプロンプトを JQL コードに変換するので、入力に JQL に変換できるキーワードが含まれる場合、より良い結果が得られます。

Atlassian Intelligence を使用して課題を検索するために使用されるモデルの仕組み上、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることにご注意ください。

たとえば、質問の内容が受け取った回答に正確に反映されていなかったり、一見筋が通っているようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用した課題の検索は、次のようなシナリオではあまり効果的でないことが判明しています。

• 人、場所、事実に関する最新かつ正確な情報が必要である。
• プロジェクト、ボード、ユーザーなど、課題以外の Jira エンティティを検索している。
• 英語以外の言語で検索している。
• データのグラフ、要約、またはその他の表示を作成するために課題を検索して分析したいと考えている。
• 現在 JQL で提供されていない機能が検索に必要である（たとえば、「自分がコメントした課題を検索する」などの質問は JQL の機能に変換できない）。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

また、Atlassian Intelligence に質問する内容はできる限り具体的にしてください。検索するフィールドや値を正確に含めます。

Atlassian Intelligence を使用して課題を検索する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

• お客様のプロンプト (入力) と回答 (出力)。
• 現在取り組んでいるプロジェクトなど、プロンプトに関連するインスタンスからのコンテキスト。
• クリックストリーム・データや一緒に作業する人など、お客様がアトラシアンの機能をどのように利用したかに関するデータ。
• お客様が提供することを選択した、この機能についてのフィードバック（フィードバックの一部として共有することを選択したプロンプトや回答を含む）。

Atlassian Intelligence を使用して課題を検索する際には、お客様のデータについて次のような対策が適用されます。

• プロンプト（入力）と回答（出力）：
  • 他のお客様は利用できません。

  • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません。

  • どの LLM プロバイダーにも保管されません。
  • LLM モデルの改良には利用されません。
  • ご自身のエクスペリエンスのためにのみ利用されます。

  • 当社のデータベースに 90 日間保存され、プロンプトは検索履歴の一部として提示されます。

• サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
• 検索結果は、アクセスできる課題とフィールドに基づく（たとえば、特定の Jira プロジェクトにアクセスできない場合、そのプロジェクトの課題とフィールドは検索結果に表示されない）。

AI Work Breakdown は、OpenAI によって開発された大規模な言語モデルを利用しています。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析/生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチに関する詳細は、OpenAI の研究論文をご参照ください。

AI Work Breakdown は、お客様が作成した Jira 課題に基づいて子課題を提案するため、大規模な作業をより小さなタスクに分割するのに便利です。課題をコンテキストとして使用し、子課題の要約と説明の提案を生成します。

AI Work Breakdown は、次のようなシナリオで最適に機能します。

• 最初に取り組む課題が、制約、指示、完了の定義など、詳細な要約と説明を持っている場合
• 最初に取り組む課題が、既存の子課題を持たない場合

AI Work Breakdown を機能させるために使用されているモデルは、その構造上、不正確、不完全、または信頼できない動作をする可能性があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

AI Work Breakdown は、次のようなシナリオではあまり効果的でないことが判明しています。

• 人、場所、事実に関する最新かつ正確な情報が必要である。
• 最初に取り組む課題に、詳細な課題の要約と説明がない (たとえば、非常に短く不明瞭な説明を含む課題に基づいて子課題の提案を生成しようとしている場合)

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

• Atlassian Intelligence に質問する内容をできるだけ具体的にする。
• 最初に取り組む課題の要約と説明には、できるだけ多くの情報を提供する。

お客様のデータが AI Work Breakdown でどのように使用されるか、疑問をお持ちのことでしょう。このセクションでは、アトラシアンの Trust Center で入手できる情報を補足します。

処理されるデータの種類は以下のとおりです。

• お客様のプロンプト (入力) と回答 (出力)。
• プロンプトに関連するインスタンスからのコンテキスト (要約、説明、コメントなどの課題データを含む)。
• クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
• お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

AI Work Breakdown は、お客様のデータに対して次の指標を適用します。

• プロンプト (入力) と回答 (出力) について
  • 他のお客様は利用できません。
  • OpenAI 以外のサードパーティの LLM プロバイダには送信されません。
  • OpenAI によって保存されません。
  • OpenAI モデルの改善には利用されません。
  • ご自身のエクスペリエンスのためにのみ利用されます。
• OpenAI は、アトラシアンの副処理者のリストに含まれる副処理者です。副処理者がリクエストを処理するための目的以外で、お客様の入力と出力を使用することはありません。
• この機能は、ご利用のインスタンスの権限に従います (子課題の提案を生成するには、ご自身がその課題へのアクセス権を持っている必要があります)。ご自身のコンテンツを他のユーザーが生成した回答に使用されないようにするには、組織管理者にご連絡のうえ、権限が適切に設定されていることをご確認ください。

Atlassian Intelligence の使用方法について詳しく知る

ナレッジ ベースの「提案されたトピック」は、OpenAI と Anthropic によって開発された大規模言語モデル、および Transformer をベースにしたオープン ソースの言語モデルとその他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデルと Anthropic の Claude シリーズのモデルが含まれます。

Atlassian Intelligence はこれらのモデルを使用して、製品内で自然言語を分析/生成します。オープン ソースのエンコーダー モデルは、テキスト形式の入力を数値形式 (埋め込み) に変換し、その結果が、入力に含まれるトピックの識別と形成に利用されます。

これらの大規模言語モデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルと、Anthropic のモデルの機能に関する詳細をご確認ください。オープン ソースの言語モデルの詳細については、Multi-QA-miniLM や E5-Multilingual の情報をご覧ください。

この機能は、管理者とエージェントが、プロジェクトで受け取ったサービス リクエストを分析し、ナレッジ ベースのギャップを理解するのに役立ちます。この機能を使用すると、ヘルプ依頼者がリクエストを登録しているが既存のナレッジが存在しないトピックを、過去 30 日間のデータに基づいて明確に把握できます。トピックの提案により、プロジェクト管理者とエージェントは、ナレッジによってどれだけのリクエストを回避できるか、少なくとも解決できるかを可視化できます。

ナレッジ記事の数を増やすことは、仮想サービス エージェントの AI による回答など、Jira Service Management の他の機能のパフォーマンスに影響するとアトラシアンは考えています。管理者またはエージェントが、提案されたトピックに関する記事を作成することは、AI による回答を使用した場合のリクエスト解決率を向上させるのにも役立ちます。

アトラシアンでは、提案されたトピックは次のようなシナリオで最も効果的だと考えています。

• 30 日間で少なくとも 40～100 件のリクエストが登録されている。
• 要約、説明、フィールド値など、リクエスト内容の言語は主に英語である。提案されるトピックの質は、言語によって異なる可能性があります。

ナレッジ ベースの「提案されたトピック」のために使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

ナレッジ ベースの「提案されたトピック」は、次のようなシナリオではあまり効果的でないことが判明しています。

• トピックを必要としているプロジェクトで受け取るリクエストが 1 か月あたり 40 件未満である。
• ナレッジ ベース記事は必ずしも必要ではないため、プロジェクトではアラートから自動でリクエストを作成している。
• トピックを必要としているリクエストの要約、説明、フィールド値などの言語が英語以外である。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

• 記事を作成する前に、提案されたトピックを確認するようチーム メンバーに依頼する。
• 質の高いナレッジ ベース記事を作成できる専門家をチーム内で見つけるようプロジェクト管理者に依頼する。

提案されたトピックでお客様のデータがどのように使用されるかについて、ご不明な点があると思います。このセクションは、当社の Trust Center で入手できる情報を補足するものです。

処理されるデータの種類は以下のとおりです。

• リクエスト内のデータ (トピックを識別するためのフィールド値、概要、説明) など、機能に関連するインスタンスのコンテキスト。
• クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
• お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

データについては、ナレッジ ベースの「提案されたトピック」では次の指標が適用されます。

ナレッジ ベースの「提案されたトピック」:

• 他のお客様は利用できません。
• OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません。
• どの LLM プロバイダーにも保管されません。
• サードパーティの LLM の改善に使用されることはありません。
• ご自身のエクスペリエンスのためにのみ利用されます。
• OpenAI は、副処理者のリストに含まれる副処理者です。これらのプロバイダーがリクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
• アトラシアンは、サイトのサービス プロジェクトの関係者全員がアクセスできるリクエストのみを処理します。課題レベルの権限で行われたリクエストは、トピックの提案には利用されません。
• 当社は提案されたトピックの一覧を 7 日ごとに更新し、提案を最新の状態にしています。

Atlassian Intelligence の使用方法について詳しく知る

ナレッジ ベースでのトピックの提案についての詳細

Atlassian Intelligence を使用したリクエスト タイプの提案は、OpenAI、Google、Anthropic によって開発された大規模言語モデル、およびオープンソースの大規模言語モデル (Llama シリーズ、Phi シリーズ、Mixtral シリーズなど) と他の機械学習モデルの組み合わせによって支えられています。これらの大規模言語モデルには、OpenAI の GPT シリーズのモデル、Google の Gemini シリーズのモデル、Anthropic の Claude シリーズのモデルなどがあります。

Atlassian Intelligence はこれらのモデルを使用して自然言語入力を分析し、Jira Service Management 内でリクエスト・タイプの名前と説明に関する推奨事項を生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習させたデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデル、Google のモデル、Anthropic のモデルの機能に関する詳細をご確認ください。オープンソースの言語モデルの詳細については、Llama シリーズや Phi シリーズでご確認ください。

Atlassian Intelligence からの候補を表示することで、プロジェクト用にどのようなリクエスト・タイプを作成する必要があるかを考える時間を削減できます。自分の作業とチームが通常管理しているものを簡単に説明するだけで、どのようなタイプのリクエストを作成できるかがわかります。Atlassian Intelligence によって生成された提案の 1 つを選択して、リクエスト・タイプを作成します。Atlassian Intelligence を使用してリクエスト・タイプを提案する方法の詳細をご覧ください。

アトラシアンでは、Atlassian Intelligence を使用したリクエスト・タイプの提案は、次のようなシナリオで最も効果的だと考えています。

• 既存のリクエスト・タイプのテンプレートでは対応できない、非常に特殊なユース・ケースがある。
• 非常に大まかな要件があり、いくつかのアイデアを探している。
• 広く話されている言語（英語やスペイン語など）を使用している。

Atlassian Intelligence を使用してリクエスト・タイプを提案するために使用されるモデルの動作方法により、これらのモデルは不正確、不完全、または信頼性の低い方法で動作する場合があることに留意することが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

Atlassian Intelligence を使用したリクエスト・タイプの提案は、次のようなシナリオではあまり効果的でないことが判明しました。

• 人、場所、事実に関する最新かつ正確な情報が必要である。
• この機能が、リクエストに正しく回答するためにアクセスする必要のある情報がすぐに利用できない場合（インスタンスに含まれていない場合など）。
• あいまいすぎるか、サービス管理とは無関係なプロンプトを提供している。
• 広く話されている言語を使っていない。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

こちらもぜひご検討ください。

• Atlassian Intelligence に質問する内容をできるだけ具体的にする。

リクエストタイプの提案に Atlassian Intelligence を使用する際にお客様のデータがどのように使用されるかについて疑問をお持ちのことでしょう。このセクションでは、FAQ ページで提供されている情報を補足します。

私たちは以下を処理します。

• お客様のプロンプト (入力) と回答 (出力)。
• プロンプトに関連するインスタンスからのコンテキスト。
• クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
• お客様が提供することを選択した、この機能についてのフィードバック（フィードバックの一部として共有することを選択したプロンプトや回答を含む）。

Atlassian Intelligence を使用してリクエスト・タイプを提案する際には、お客様のデータについて次のような対策が適用されます。

• プロンプト（入力）と回答（出力）：
  • 他のお客様は利用できません。

  • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません。

  • どの LLM プロバイダーにも保管されません。
  • LLM モデルの改良には利用されません。
  • ご自身のエクスペリエンスのためにのみ利用されます。
• サードパーティの LLM プロバイダーはすべて復処理者であり、復処理者のページに記載されています。リクエストの処理以外の目的でお客様の入力と出力を使用することはありません。
• この機能にはプロンプトの情報のみが使用されるため、Jira のすべての権限が尊重されます。

重点分野エグゼクティブ サマリーは、OpenAI によって開発された大規模な言語モデルを利用しています。たとえば、こちらで説明されている OpenAI モデルが含まれています。

Atlassian Intelligence はこれらのモデルを使用して、製品内の自然言語を分析/生成します。

これらのモデルは、入力に基づいて回答を生成しますが、その本質は確率論に基づいています。つまり、学習したデータに基づいて、次にくる可能性が最も高い単語やテキストを予測して回答が生成されます。

OpenAI のモデルの能力、またはこのアプローチについて詳しくは、OpenAI の研究論文をお読みください。

Atlassian Intelligence を活用した重点分野エグゼクティブ サマリーは、戦略的な優先度に関する迅速かつ実用的な洞察をユーザーに提供するように設計されています。この機能は、戦略や優先度に関する進捗を明確に把握して、注意を払う必要がある分野を特定し、目標、作業、チームに影響を与える可能性のあるリスクを浮き彫りにします。

エグゼクティブ リーダーやビジネス リーダーにとっての主なメリット:

• 時間の効率化: 戦略目標の主要な進捗、潜在的な問題、リスクを浮き彫りにした詳細な情報にアクセスできるため、貴重な時間を節約できます。
• 情報に基づいた意思決定: 注意を払う必要がある分野を明確に理解することで、ビジネス目標との整合性を保ち、課題に効果的に対応できます。
• 戦略的な連携: チームとリソースを正しく優先順位付けされたタスクに集中させて、ビジネスの成功につながる、情報に基づいた意思決定を行えるようにします。

重点分野エグゼクティブ サマリーに使用されているモデルは、その構造上、不正確だったり、不完全だったり、信頼できない動作をしたりする場合があることを念頭に置くことが重要です。

たとえば、受け取った回答には基になっている内容が正確に反映されていなかったり、合理的なようでも虚偽または不完全な内容が含まれていたりする可能性があります。

重点分野の要約は、次のようなシナリオではあまり効果的でないことが判明しています。

• 人、場所、事実に関する最新かつ正確な情報が必要である。
• Focus の最新情報がないと、リクエストに正しく回答するために必要な情報を取得できない場合 (インスタンスに含まれていない場合など)。
• 重点分野と目標の最新情報が不完全または欠落している場合。最新情報が存在しなかったり、書き方が不十分だったりすると、AI が生成した要約において重要なコンテキストが欠ける場合があります。
  • さらに、人間が作成した重点分野または目標のいずれかに関する最新情報が、偏見、有害、またはその他のネガティブなテーマによって記述されている場合は、AI が生成した要約において誤解を招く情報が含まれる可能性があります。

このことから、Atlassian Intelligence を使用する状況をご検討いただき、受け取った回答の質を確認した上で、他の人と共有することをお勧めします。

重点分野エグゼクティブ サマリーでお客様のデータがどのように使用されるのか、疑問をお持ちのことでしょう。このセクションでは、Atlassian Trust Center で入手できる情報を補足します。

処理されるデータの種類は以下のとおりです。

• お客様のプロンプト (入力) と回答 (出力)。
• 重点分野の最新情報、目標の最新情報、リンクされた重点分野と目標など、プロンプトに関連するインスタンスのコンテキスト。
• クリックストリーム データや一緒に作業する人など、お客様が私たちの機能をどのように利用したかに関するデータ。
• お客様が提供することを選択した、この機能についてのフィードバック (フィードバックの一部として共有することを選択したプロンプトや回答を含む)。

重点分野エグゼクティブ サマリーは、お客様のデータに関して次の基準を適用します。

• プロンプト (入力) と回答 (出力) について
  • 他のお客様は利用できません。
  • OpenAI、Google、または AWS Bedrock の Anthropic 以外のサードパーティの LLM プロバイダーには送信されません。
  • OpenAI によって保存されません。
  • 大規模な言語/OpenAI、または該当する 3P モデルの改善には使用されません。
  • ご自身のエクスペリエンスのためにのみ利用されます。
• OpenAI は、アトラシアンの副処理者のリストに含まれる副処理者です。副処理者がリクエストを処理するための目的以外で、お客様の入力と出力を使用することはありません。
• この機能は、ご利用のインスタンスの権限に従います。たとえば、Focus の重点分野にリンクされた目標にアクセスできない場合は、返答にその目標が含まれません。