Построить модель в виде графа устройства компьютера
Обновлено: 02.07.2024
Автоматизированная система утроила количество фактов на диаграмме продукта.
Конференция
Похожие публикации
Графики знаний – это структуры данных, которые очень гибко отображают связи между данными. Они могут помочь сделать поиск информации более точным, а также их можно использовать для выявления ранее неизвестных взаимосвязей в больших наборах данных.
Создание диаграмм знаний вручную занимает очень много времени, поэтому исследователи в этой области уже давно изучают методы их автоматического создания. Этот подход оказался успешным для таких областей, как информация о фильмах, в которых относительно мало типов отношений и много источников структурированных данных.
Автоматическое построение диаграмм знаний намного сложнее в случае розничных продуктов, где типы взаимосвязей между элементами данных практически не ограничены (цвет для одежды, вкус для конфет, мощность для электроники и т. д.), и где много полезного. информация хранится в описаниях продуктов в свободной форме, отзывах клиентов и форумах вопросов и ответов.
Входные данные для AutoKnow включают существующую таксономию продуктов, пользовательские журналы и каталог продуктов. AutoKnow автоматически объединяет данные из всех трех источников в диаграмму товаров, добавляя новые типы товаров в таксономию, добавляя новые значения атрибутов товаров, исправляя ошибки и определяя синонимы.
В этом году на ежегодной конференции Ассоциации вычислительной техники, посвященной обнаружению знаний и интеллектуальному анализу данных (KDD), мы с коллегами представим систему, которую мы называем AutoKnow, набор методов для автоматического дополнения графиков знаний о продуктах структурированными данными. и данные, извлеченные из текстовых источников в свободной форме.
С помощью AutoKnow мы увеличили количество фактов в диаграмме продуктов Amazon расходные материалы (которая включает категории продуктов питания, красоты, детей и здоровья) почти на 200 %, определяя типы продуктов с точностью 87,7 %. .
Мы также сравнили каждый из пяти модулей нашей системы, которые выполняют такие задачи, как извлечение типа продукта и обнаружение аномалий, с существующими системами и обнаружили, что они повысили производительность по всем направлениям, часто весьма значительно (улучшение более чем на 300 % в случай извлечения типа продукта).
Структура AutoKnow
Графики знаний обычно состоят из сущностей — узлов графа, часто изображаемых в виде кругов, — и отношений между сущностями — обычно изображаемых как отрезки, соединяющие узлы. Сущность «напиток», например, может быть связана с сущностью «кофе» отношением «содержит». Сущность "мешок кофе" может быть связана с сущностью "16 унций" отношением "has_volume".
В такой узкой области, как информация о фильмах, количество типов сущностей, таких как режиссер, актер и редактор, ограничено, равно как и количество взаимосвязей — направлено, исполнено, отредактировано и т. д. Кроме того, источники фильмов часто предоставляют структурированные данные, в которых явно указаны актеры и съемочная группа.
С другой стороны, в сфере розничной торговли количество типов товаров имеет тенденцию к увеличению по мере расширения графика. Каждый тип продукта имеет свой собственный набор атрибутов, который может полностью отличаться от следующего типа продукта — например, цвет и текстура в зависимости от типа батареи и эффективного диапазона. А важную информацию о продукте — например, о том, что кофейная кружка слишком горячая, — можно спрятать в произвольном тексте обзора или в разделе вопросов и ответов.
AutoKnow решает эти проблемы с помощью пяти модулей обработки на основе машинного обучения, каждый из которых основан на результатах предыдущего:
- Обогащение таксономии увеличивает количество типов сущностей на диаграмме;
- Обнаружение взаимосвязей определяет атрибуты продуктов, диапазон возможных значений этих атрибутов (например, разные вкусы или цвета) и, что особенно важно, какие из этих атрибутов важны для покупателей;
- Вменение данных использует типы сущностей и отношения, обнаруженные предыдущими модулями, чтобы определить, содержит ли текст произвольной формы, связанный с продуктами, какую-либо информацию, отсутствующую на графике;
- Очистка данных сортирует существующие и вновь извлеченные данные, чтобы определить, не были ли какие-либо из них неправильно классифицированы в исходных текстах; и
- Поиск синонимов пытается идентифицировать типы сущностей и значения атрибутов, которые имеют одинаковое значение.
Набор онтологий
Входные данные для AutoKnow включают существующую диаграмму продукта; каталог продуктов, который включает некоторую структурированную информацию, такую как маркированные названия продуктов и неструктурированные описания продуктов; информация о продукте в свободной форме, такая как отзывы клиентов и наборы вопросов и ответов, связанных с продуктом; и данные запроса продукта.
Чтобы идентифицировать новые продукты, модуль обогащения таксономии использует модель машинного обучения, которая помечает подстроки названий продуктов в исходном каталоге. Например, в названии продукта "Мороженое с чизкейком с черной вишней от Ben & Jerry" модель пометит подстроку "мороженое" как тип продукта.
Эта же модель также помечает подстроки, указывающие атрибуты продукта, для использования на этапе обнаружения отношений. В этом случае, например, в качестве атрибута вкуса будет указано «чизкейк с черной вишней». Модель обучается на описаниях продуктов, типы и атрибуты которых уже классифицированы в соответствии с разработанной вручную таксономией.
Далее модуль обогащения таксономии классифицирует недавно извлеченные типы продуктов в соответствии с их гипернимами или более широкими категориями продуктов, к которым они относятся. Мороженое, например, подпадает под гиперним "Мороженое и новинки", который подпадает под гиперним "Холодное сердце" и т. д.
Классификатор гипернимов использует данные о взаимодействиях с клиентами, например о том, какие продукты просматривали или покупали клиенты после одного запроса. Опять же, модель машинного обучения обучается на данных о товарах, помеченных в соответствии с существующей таксономией.
Обнаружение отношений
Модуль обнаружения отношений классифицирует атрибуты продукта по двум критериям. Во-первых, относится ли атрибут к данному продукту. Например, атрибут аромат относится к еде, но не к одежде.
Второй критерий — насколько важен атрибут для покупателей конкретного товара. Оказывается, торговая марка важнее для покупателей закусок, чем для покупателей продуктов.
Оба классификатора анализируют данные, предоставленные поставщиками (описания продуктов) и клиентами (отзывы и вопросы и ответы). При обоих типах входных данных классификаторы учитывают частоту, с которой атрибутивные слова встречаются в текстах, связанных с данным продуктом; с данными поставщика они также учитывают, как часто данное слово встречается в экземплярах определенного типа продукта.
Модели были обучены на данных, которые были аннотированы, чтобы указать, применяются ли определенные атрибуты к связанным продуктам.
Набор данных
На третьем этапе (вменение данных) выполняется поиск терминов в описаниях продуктов, которые могут соответствовать новым категориям продуктов и атрибутов, определенным на предыдущих этапах, но еще не добавленным на диаграмму.
На этом шаге используются вложения, которые представляют описательные термины в виде точек в векторном пространстве, где связанные термины сгруппированы вместе. Идея заключается в том, что если несколько терминов, сгруппированных вместе в пространстве, имеют один и тот же атрибут или тип продукта, то и немаркированные термины в том же кластере должны быть такими же.
Ранее мои коллеги из Amazon и я вместе с коллегами из Университета штата Юта продемонстрировали передовые результаты импутации данных, обучив модель маркировки последовательностей, очень похожую на ту, которую я описал выше, которая помечена как " чизкейк с черной вишней» в качестве вкуса.
Однако здесь мы меняем этот подход, обусловливая модель маркировки последовательностей типом продукта: то есть последовательность маркировки, выдаваемая моделью, зависит от типа продукта, чье встраивание мы включаем в число входных данных.
Следующий шаг — очистка данных, в которой используется модель машинного обучения на основе архитектуры Transformer. Входными данными для модели являются текстовое описание продукта, атрибут (вкус, объем, цвет и т. д.) и значение этого атрибута (шоколад, 16 унций, синий и т. д.). На основе описания продукта модель решает, присвоено ли значение атрибута неправильно.
Для обучения модели мы собираем допустимые пары атрибут-значение, которые встречаются во многих экземплярах одного типа продукта (например, у всех типов мороженого есть вкусы); это положительные примеры. Мы также генерируем отрицательные примеры, заменяя значения в действительных парах атрибут-значение несовпадающими значениями.
Наконец, мы анализируем наш продукт и наборы атрибутов, чтобы найти синонимы, которые должны быть объединены в одном узле графа продукта. Во-первых, мы используем данные о взаимодействии с клиентами, чтобы идентифицировать элементы, которые были просмотрены во время тех же запросов; их описания продуктов и атрибутов являются синонимами-кандидатами.
Затем мы используем комбинацию методов для фильтрации терминов-кандидатов.К ним относятся расстояние редактирования (мера сходства двух строк символов) и нейронная сеть. В тестах этот подход дал респектабельную площадь 0,83 под кривой точности-отзыва.
В ходе текущей работы мы решаем ряд нерешенных вопросов, например, как обращаться с продуктами с несколькими гипернимами (товарами, у которых есть несколько «родителей» в иерархии продуктов), очисткой данных до он используется для обучения наших моделей и использования данных изображений, а также текстовых данных для повышения производительности наших моделей.
Посмотрите видеопрезентацию статьи AutoKnow от Джун Ма, старшего научного сотрудника.
Конференция
Похожие публикации
Похожий контент
Извлечение информации, обнаружение лекарств и анализ программного обеспечения — это лишь некоторые области применения этого универсального инструмента.
Исследователи Amazon оптимизируют инструмент распределенного обучения для эффективной работы с сетевым интерфейсом адаптера Elastic Fabric.
В базе данных графа вместо таблиц или документов хранятся узлы и отношения. Данные хранятся точно так же, как вы можете набрасывать идеи на доске. Ваши данные хранятся без ограничения заранее определенной моделью, что позволяет очень гибко мыслить и использовать их.
Почему графические базы данных?
Мы живем во взаимосвязанном мире, и понимание большинства доменов требует обработки обширных наборов подключений, чтобы понять, что на самом деле происходит. Часто мы обнаруживаем, что связи между элементами так же важны, как и сами элементы.
< /p>
Как еще люди делают это сегодня? Хотя существующие реляционные базы данных могут хранить эти отношения, они перемещаются по ним с помощью дорогостоящих операций JOIN или перекрестного просмотра, часто привязанных к жесткой схеме. Оказывается, «реляционные» базы данных плохо обрабатывают отношения. В графовой базе данных нет соединений или поиска. Отношения изначально хранятся вместе с элементами данных (узлами) в гораздо более гибком формате. Все в системе оптимизировано для быстрого просмотра данных; миллионов подключений в секунду на ядро.
Графические базы данных позволяют решать сложные задачи, с которыми многие из нас сталкиваются ежедневно. Современные проблемы с данными часто связаны с отношениями «многие ко многим» с разнородными данными, что требует:
Навигация по глубоким иерархиям,
Найти скрытые связи между удаленными элементами и
Откройте для себя взаимосвязи между элементами.
Будь то социальная сеть, платежная сеть или дорожная сеть, вы обнаружите, что все представляет собой взаимосвязанный график отношений. И когда мы хотим задать вопросы о реальном мире, многие вопросы касаются отношений, а не отдельных элементов данных.
Модель графа свойств
В Neo4j информация организована в виде узлов, отношений и свойств.
< /p>
Узлы — это объекты на графике.
Узлы могут быть помечены ярлыками, обозначающими их различные роли в вашем домене. (например, Человек ).
Узлы могут содержать любое количество пар "ключ-значение" или свойств. (например, имя )
Ярлыки узлов также могут прикреплять к определенным узлам метаданные (например, индекс или информацию об ограничениях).
Отношения обеспечивают направленные именованные соединения между двумя сущностями узла (например, Person LOVES Person).
У отношений всегда есть направление, тип, начальный и конечный узлы, и они могут иметь свойства, как узлы.
Узлы могут иметь любое количество и типы связей без ущерба для производительности.
Хотя отношения всегда направлены, их можно эффективно перемещать в любом направлении.
Если вы хотите узнать больше о любом из них, вы можете прочитать больше о моделировании графических данных.
Что такое Neo4j?
Neo4j – это NoSQL-база данных с открытым исходным кодом и собственной графовой базой данных, предоставляющая ACID-совместимую транзакционную серверную часть для ваших приложений, общедоступная с 2007 года.
Neo4j предлагается как управляемая служба через AuraDB. Но вы также можете запустить Neo4j самостоятельно с Community Edition или Enterprise Edition. Enterprise Edition включает в себя все, что может предложить Community Edition, а также дополнительные корпоративные требования, такие как резервное копирование, кластеризация и возможности аварийного переключения. Neo4j написан на Java и Scala, а исходный код доступен на GitHub.
Neo4j — это собственная база данных графов, что означает, что она реализует настоящую графовую модель вплоть до уровня хранилища. Данные не хранятся как «графическая абстракция» поверх другой технологии, они сохраняются так же, как вы их записываете. Это важно, потому что именно поэтому Neo4j превосходит другие графики и остается таким гибким. Помимо основного графа, Neo4j предоставляет то, что вы ожидаете от базы данных; Транзакции ACID, поддержка кластеров и аварийное переключение во время выполнения. Эта стабильность и зрелость — вот почему он уже много лет используется в производственных сценариях для больших корпоративных рабочих нагрузок.
Что делает Neo4j самым простым графиком для работы?
Cypher — декларативный язык запросов, похожий на SQL, но оптимизированный для графов. Теперь используется другими базами данных, такими как SAP HANA Graph и Redis graph, через проект openCypher.
Постоянное время обхода больших графов как по глубине, так и по ширине благодаря эффективному представлению узлов и взаимосвязей. Обеспечивает масштабирование до миллиардов узлов на умеренном оборудовании.
Гибкая схема графа свойств, которая может адаптироваться с течением времени, что позволяет материализовать и добавлять новые отношения позже, чтобы сократить и ускорить данные предметной области, когда бизнес нуждается в изменении.
Где и как используется Neo4j?
Сегодня Neo4j используется тысячами стартапов, образовательных учреждений и крупных предприятий во всех секторах, включая финансовые услуги, правительство, энергетику, технологии, розничную торговлю и производство. От инновационных технологий до развития бизнеса — пользователи получают ценную информацию с помощью графиков, получают новый доход и повышают свою общую эффективность.
Узнайте больше о различных примерах использования и компаниях, использующих их, из видео ниже.
Автоматизированная система утроила количество фактов на диаграмме продукта.
Конференция
Похожие публикации
Графики знаний – это структуры данных, которые очень гибко отображают связи между данными. Они могут помочь сделать поиск информации более точным, а также их можно использовать для выявления ранее неизвестных взаимосвязей в больших наборах данных.
Создание диаграмм знаний вручную занимает очень много времени, поэтому исследователи в этой области уже давно изучают методы их автоматического создания. Этот подход оказался успешным для таких областей, как информация о фильмах, в которых относительно мало типов отношений и много источников структурированных данных.
Автоматическое построение диаграмм знаний намного сложнее в случае розничных продуктов, где типы взаимосвязей между элементами данных практически не ограничены (цвет для одежды, вкус для конфет, мощность для электроники и т. д.), и где много полезного. информация хранится в описаниях продуктов в свободной форме, отзывах клиентов и форумах вопросов и ответов.
Входные данные для AutoKnow включают существующую таксономию продуктов, пользовательские журналы и каталог продуктов. AutoKnow автоматически объединяет данные из всех трех источников в диаграмму товаров, добавляя новые типы товаров в таксономию, добавляя новые значения атрибутов товаров, исправляя ошибки и определяя синонимы.
В этом году на ежегодной конференции Ассоциации вычислительной техники, посвященной обнаружению знаний и интеллектуальному анализу данных (KDD), мы с коллегами представим систему, которую мы называем AutoKnow, набор методов для автоматического дополнения графиков знаний о продуктах структурированными данными. и данные, извлеченные из текстовых источников в свободной форме.
С помощью AutoKnow мы увеличили количество фактов в диаграмме продуктов Amazon расходные материалы (которая включает категории продуктов питания, красоты, детей и здоровья) почти на 200 %, определяя типы продуктов с точностью 87,7 %. .
Мы также сравнили каждый из пяти модулей нашей системы, которые выполняют такие задачи, как извлечение типа продукта и обнаружение аномалий, с существующими системами и обнаружили, что они повысили производительность по всем направлениям, часто весьма значительно (улучшение более чем на 300 % в случай извлечения типа продукта).
Структура AutoKnow
Графики знаний обычно состоят из сущностей — узлов графа, часто изображаемых в виде кругов, — и отношений между сущностями — обычно изображаемых как отрезки, соединяющие узлы. Сущность «напиток», например, может быть связана с сущностью «кофе» отношением «содержит». Сущность "мешок кофе" может быть связана с сущностью "16 унций" отношением "has_volume".
В такой узкой области, как информация о фильмах, количество типов сущностей, таких как режиссер, актер и редактор, ограничено, равно как и количество взаимосвязей — направлено, исполнено, отредактировано и т. д. Кроме того, источники фильмов часто предоставляют структурированные данные, в которых явно указаны актеры и съемочная группа.
С другой стороны, в сфере розничной торговли количество типов товаров имеет тенденцию к увеличению по мере расширения графика. Каждый тип продукта имеет свой собственный набор атрибутов, который может полностью отличаться от следующего типа продукта — например, цвет и текстура в зависимости от типа батареи и эффективного диапазона. А важную информацию о продукте — например, о том, что кофейная кружка слишком горячая, — можно спрятать в произвольном тексте обзора или в разделе вопросов и ответов.
AutoKnow решает эти проблемы с помощью пяти модулей обработки на основе машинного обучения, каждый из которых основан на результатах предыдущего:
- Обогащение таксономии увеличивает количество типов сущностей на диаграмме;
- Обнаружение взаимосвязей определяет атрибуты продуктов, диапазон возможных значений этих атрибутов (например, разные вкусы или цвета) и, что особенно важно, какие из этих атрибутов важны для покупателей;
- Вменение данных использует типы сущностей и отношения, обнаруженные предыдущими модулями, чтобы определить, содержит ли текст произвольной формы, связанный с продуктами, какую-либо информацию, отсутствующую на графике;
- Очистка данных сортирует существующие и вновь извлеченные данные, чтобы определить, не были ли какие-либо из них неправильно классифицированы в исходных текстах; и
- Поиск синонимов пытается идентифицировать типы сущностей и значения атрибутов, которые имеют одинаковое значение.
Набор онтологий
Входные данные для AutoKnow включают существующую диаграмму продукта; каталог продуктов, который включает некоторую структурированную информацию, такую как маркированные названия продуктов и неструктурированные описания продуктов; информация о продукте в свободной форме, такая как отзывы клиентов и наборы вопросов и ответов, связанных с продуктом; и данные запроса продукта.
Чтобы идентифицировать новые продукты, модуль обогащения таксономии использует модель машинного обучения, которая помечает подстроки названий продуктов в исходном каталоге. Например, в названии продукта "Мороженое с чизкейком с черной вишней от Ben & Jerry" модель пометит подстроку "мороженое" как тип продукта.
Эта же модель также помечает подстроки, указывающие атрибуты продукта, для использования на этапе обнаружения отношений. В этом случае, например, в качестве атрибута вкуса будет указано «чизкейк с черной вишней». Модель обучается на описаниях продуктов, типы и атрибуты которых уже классифицированы в соответствии с разработанной вручную таксономией.
Далее модуль обогащения таксономии классифицирует недавно извлеченные типы продуктов в соответствии с их гипернимами или более широкими категориями продуктов, к которым они относятся. Мороженое, например, подпадает под гиперним "Мороженое и новинки", который подпадает под гиперним "Холодное сердце" и т. д.
Классификатор гипернимов использует данные о взаимодействиях с клиентами, например о том, какие продукты просматривали или покупали клиенты после одного запроса. Опять же, модель машинного обучения обучается на данных о товарах, помеченных в соответствии с существующей таксономией.
Обнаружение отношений
Модуль обнаружения отношений классифицирует атрибуты продукта по двум критериям. Во-первых, относится ли атрибут к данному продукту. Например, атрибут аромат относится к еде, но не к одежде.
Второй критерий — насколько важен атрибут для покупателей конкретного товара. Оказывается, торговая марка важнее для покупателей закусок, чем для покупателей продуктов.
Оба классификатора анализируют данные, предоставленные поставщиками (описания продуктов) и клиентами (отзывы и вопросы и ответы). При обоих типах входных данных классификаторы учитывают частоту, с которой атрибутивные слова встречаются в текстах, связанных с данным продуктом; с данными поставщика они также учитывают, как часто данное слово встречается в экземплярах определенного типа продукта.
Модели были обучены на данных, которые были аннотированы, чтобы указать, применяются ли определенные атрибуты к связанным продуктам.
Набор данных
На третьем этапе (вменение данных) выполняется поиск терминов в описаниях продуктов, которые могут соответствовать новым категориям продуктов и атрибутов, определенным на предыдущих этапах, но еще не добавленным на диаграмму.
На этом шаге используются вложения, которые представляют описательные термины в виде точек в векторном пространстве, где связанные термины сгруппированы вместе. Идея заключается в том, что если несколько терминов, сгруппированных вместе в пространстве, имеют один и тот же атрибут или тип продукта, то и немаркированные термины в том же кластере должны быть такими же.
Ранее мои коллеги из Amazon и я вместе с коллегами из Университета штата Юта продемонстрировали передовые результаты импутации данных, обучив модель маркировки последовательностей, очень похожую на ту, которую я описал выше, которая помечена как " чизкейк с черной вишней» в качестве вкуса.
Однако здесь мы меняем этот подход, обусловливая модель маркировки последовательностей типом продукта: то есть последовательность маркировки, выдаваемая моделью, зависит от типа продукта, чье встраивание мы включаем в число входных данных.
Следующий шаг — очистка данных, в которой используется модель машинного обучения на основе архитектуры Transformer. Входными данными для модели являются текстовое описание продукта, атрибут (вкус, объем, цвет и т. д.) и значение этого атрибута (шоколад, 16 унций, синий и т. д.). На основе описания продукта модель решает, присвоено ли значение атрибута неправильно.
Для обучения модели мы собираем допустимые пары атрибут-значение, которые встречаются во многих экземплярах одного типа продукта (например, у всех типов мороженого есть вкусы); это положительные примеры. Мы также генерируем отрицательные примеры, заменяя значения в действительных парах атрибут-значение несовпадающими значениями.
Наконец, мы анализируем наш продукт и наборы атрибутов, чтобы найти синонимы, которые должны быть объединены в одном узле графа продукта. Во-первых, мы используем данные о взаимодействии с клиентами, чтобы идентифицировать элементы, которые были просмотрены во время тех же запросов; их описания продуктов и атрибутов являются синонимами-кандидатами.
Затем мы используем комбинацию методов для фильтрации терминов-кандидатов. К ним относятся расстояние редактирования (мера сходства двух строк символов) и нейронная сеть. В тестах этот подход дал респектабельную площадь 0,83 под кривой точности-отзыва.
В ходе текущей работы мы решаем ряд нерешенных вопросов, например, как обращаться с продуктами с несколькими гипернимами (товарами, у которых есть несколько «родителей» в иерархии продуктов), очисткой данных до он используется для обучения наших моделей и использования данных изображений, а также текстовых данных для повышения производительности наших моделей.
Посмотрите видеопрезентацию статьи AutoKnow от Джун Ма, старшего научного сотрудника.
Конференция
Похожие публикации
Похожий контент
Извлечение информации, обнаружение лекарств и анализ программного обеспечения — это лишь некоторые области применения этого универсального инструмента.
Исследователи Amazon оптимизируют инструмент распределенного обучения для эффективной работы с сетевым интерфейсом адаптера Elastic Fabric.
Важно! API-интерфейсы Microsoft Graph в версии /beta могут быть изменены; производственное использование не поддерживается.
Примечание. Для API Microsoft Graph для Intune требуется активная лицензия Intune для арендатора.
Чтение свойств и взаимосвязей объекта windowsManagedDevice.
Предпосылки
Для вызова этого API требуется одно из следующих разрешений. Чтобы узнать больше, в том числе о том, как выбрать разрешения, см. раздел Разрешения.
| Тип разрешения | Разрешения (от наименее к наиболее привилегированному)< /th> |
|---|---|
| Делегированный (рабочая или учебная учетная запись) | DeviceManagementConfiguration.Read.All, DeviceManagementConfiguration.ReadWrite.All, DeviceManagementManagedDevices.Read.All, DeviceManagementManagedDevices.ReadWrite.Все |
| Делегировано (личная учетная запись Microsoft) | Не поддерживается . |
| Приложение | DeviceManagementConfiguration.Read.All, DeviceManagementConfiguration .ReadWrite.All, DeviceManagementManagedDevices.Read.All, DeviceManagementManagedDevices.ReadWrite.All |
Необязательные параметры запроса
Этот метод поддерживает параметры запроса OData, чтобы упростить настройку ответа.
Заголовки запроса
| Заголовок | Значение |
|---|---|
| Авторизация | Требуется носитель. |
| Принять | application/json |
Тело запроса
Не указывайте тело запроса для этого метода.
Ответ
В случае успеха этот метод возвращает код ответа 200 OK и объект windowsManagedDevice в тексте ответа.
Пример
Запрос
Вот пример запроса.
Ответ
Вот пример ответа. Примечание. Показанный здесь объект ответа может быть усечен для краткости. Все свойства будут возвращены из фактического вызова.
Читайте также: