Accéder au contenu principal

Prompt à l'action : Exemples, théorie, cas d'utilisation

Cette technique consiste à donner à un modèle d'IA quelques exemples d'une tâche pour qu'il apprenne avant de générer une réponse, en utilisant ces exemples pour améliorer ses performances sur des tâches similaires.
Actualisé 16 janv. 2025  · 10 min de lecture

Les grands modèles de langage peuvent comprendre et écrire des textes qui ressemblent à s'y méprendre à des textes humains. Mais lorsqu'il s'agit de faire en sorte que ces modèles agissent exactement comme nous le souhaitons, ce n'est pas si facile. Il faut choisir les techniques appropriées pour obtenir une réponse satisfaisante.

L'une de ces techniques est l'incitation à quelques coups de feu. Il s'agit d'une méthode intelligente qui permet de relier ce que le modèle sait déjà à ce que nous voulons qu'il fasse pour un travail spécifique. Vous donnez au modèle quelques exemples rapides pour lui montrer ce que vous voulez, ce qui lui permet de comprendre et d'exécuter la tâche plus facilement.

Dans ce tutoriel, vous apprendrez :

  • Qu'est-ce qu'un message-guide en quelques mots et pourquoi est-il important ?
  • Comment fonctionne l'incitation par quelques coups de feu, y compris par des démonstrations et l'apprentissage par l'exemple.
  • Les avantages de l'invite à quelques coups, tels que l'amélioration des performances et la réduction des besoins en données.
  • Diverses applications de l'incitation par quelques tirs, y compris des tâches de raisonnement complexes, l'écriture créative et la génération de codes.
  • Défis et bonnes pratiques en matière de messages-guides à court terme, y compris la sélection d'exemples efficaces et la conception de messages-guides.

Ce tutoriel s'inscrit dans le cadre de mon projet "Prompt Engineering" : De zéro à héros", une série d'articles de blog :

  1. Une ingénierie rapide pour tous
  2. L'incitation au coup zéro
  3. Prompt à l'action
  4. Chaînage rapide

Vous souhaitez vous lancer dans l'IA générative ?

Apprenez à travailler avec des LLM en Python directement dans votre navigateur

Commencez maintenant

Qu'est-ce que le "Few-Shot Prompting" ?

L'incitation par quelques exemples est une technique qui consiste à fournir à un modèle linguistique un petit nombre d'exemples pour guider sa réponse à une tâche spécifique. Cette méthode se situe entre l'apprentissage à partir de zéro (où aucun exemple n'est donné) et le réglage fin entièrement supervisé (qui nécessite de grandes quantités de données étiquetées). L'article de blog sur l'apprentissage à court terme explique cette technique d'apprentissage automatique en détail.

En d'autres termes, l'incitation à quelques coups est le processus qui consiste à donner à un modèle de langage une poignée de démonstrations ou d'exempless au sein de l'incitation elle-même. Ces exemples servent de guide, montrant au modèle comment aborder et répondre à un type particulier de tâche ou de question. Lorsque vous donnez ces exemples, vous dites essentiellement au modèle : "Voici comment vous devriez réagir dans des situations similaires".

Prenons un exemple.

Imaginons que nous souhaitions que le modèle classifie le sentiment des critiques de films. Voici un exemple d'invitation à prendre quelques photos :

Prompt :

Classify the sentiment of the third movie review. Use the information from the first two examples:Review: "This movie was a waste of time."Sentiment: NegativeReview: "I couldn't stop laughing throughout the film!"Sentiment: PositiveReview: "The special effects were amazing, but the plot was confusing."Sentiment:```markdownIf we input this prompt to the LLM, and if it understands the task correctly, it will output:```markdownSentiment: Mixed

Dans cet exemple, le LLM utilise les exemples de l'invite pour comprendre comment classer le sentiment de la troisième critique et génère la sortie en conséquence.

Les messages courts sont importants parce qu'ils rendent les MLD plus utiles et plus accessibles. Tout d'abord, elle permet de gagner du temps et d'économiser des efforts puisque vous n'avez pas besoin de réentraîner complètement le modèle ou de rassembler d'énormes quantités de données.

Deuxièmement, il est très flexible : vous pouvez rapidement adapter le modèle à différentes tâches en changeant simplement les exemples que vous lui donnez. Troisièmement, elle permet souvent au MLD d'être plus performant dans des tâches spécifiques ou complexes que lorsqu'on lui demande de faire quelque chose sans aucune orientation. Cette méthode permet également de mettre des outils d'IA puissants à la disposition d'un plus grand nombre de personnes, et pas seulement d'experts en technologie disposant de nombreuses ressources.

Comment fonctionne l'incitation par quelques mots

L'idée centrale de l'incitation à l'action consiste à fournir au MLD un petit ensemble d'exemples ou de démonstrations pertinents dans le cadre de l'incitation elle-même. Ces exemples guident le modèle, illustrant la manière d'aborder et de répondre à un type particulier de tâche ou de question. Les démonstrations sont généralement structurées comme suit :

  • Paires d'entrées-sorties : Chaque démonstration se compose généralement d'une entrée (par exemple, une question ou un texte) et de sa sortie correspondante (la réponse ou la solution souhaitée).
  • Cohérence des formats : Les démonstrations maintiennent un format cohérent, ce qui aide le modèle à reconnaître le modèle qu'il doit suivre.
  • Pertinence de la tâche : Les exemples fournis sont directement liés à la tâche à accomplir et mettent en évidence les compétences ou les connaissances spécifiques requises.

Par exemple, si nous souhaitions que le modèle génère des couplets rimés, une invite de quelques secondes pourrait ressembler à ceci :

Generate a rhyming couplet about a tree:Input: "cat"Output: The curious cat, so sleek and fat,         Curled up cozy on the welcome mat.Input: "sky"Output: Look up high into the endless sky,         Where birds and clouds go drifting by.Input: "tree"Output:

Lorsque ces démonstrations lui sont présentées, le modèle linguistique s'engage dans un processus souvent appelé "apprentissage en contexte" ou "apprentissage par l'exemple". Le fonctionnement est le suivant :

  1. Reconnaissance des formes : Le modèle analyse les exemples fournis, en identifiant des modèles dans la façon dont les entrées sont transformées en sorties.
  2. Inférence des tâches : À partir de ces schémas, le modèle déduit la nature de la tâche qu'on lui demande d'accomplir.
  3. Généralisation : Le modèle tente ensuite de généraliser les exemples donnés à de nouvelles entrées inédites.
  4. Application : Enfin, le modèle applique ce modèle appris à la nouvelle entrée fournie à la fin de l'invite.

diagramme du processus d'apprentissage en contexte

Ce processus permet au modèle d'adapter ses connaissances et ses capacités à une tâche spécifique sans qu'il soit nécessaire de modifier ses paramètres sous-jacents.

Il est important de noter que l'efficacité des messages-guides de quelques secondes peut varier en fonction de facteurs tels que la complexité de la tâche, la qualité et la pertinence des exemples fournis et les capacités du modèle linguistique sous-jacent. Cependant, lorsqu'elle est utilisée efficacement, l'incitation à quelques coups peut permettre aux modèles linguistiques d'effectuer un grand nombre de tâches différentes avec une précision et une flexibilité impressionnantes.

Avantages de l'incitation par quelques tirs

L'incitation par quelques tirs présente quelques avantages. Voyons pourquoi cette méthode est si utile.

Amélioration des performances

L'un des avantages les plus notables de l'incitation à quelques coups est l'amélioration substantielle des performances par rapport aux approches à zéro coup.

  • Précision accrue : Grâce à des exemples pertinents, le modèle comprend mieux la tâche spécifique, ce qui permet d'obtenir des résultats plus précis.
  • Pertinence accrue : Les exemples guident le modèle pour qu'il produise des réponses plus proches du résultat souhaité.
  • Adaptation spécifique à la tâche : L'incitation à quelques reprises aide le LLM à utiliser ce qu'il sait déjà pour comprendre et exécuter des tâches nouvelles et spécifiques.

Prenons l'exemple d'un scénario dans lequel nous voulons que le modèle génère des descriptions de produits avec un ton et un format spécifiques.

Generate product descriptions:Product: Wireless EarbudsDescription: Immerse yourself in crystal-clear audio with our sleek wireless earbuds. Featuring noise-cancellation technology and a comfortable fit, these earbuds are perfect for music lovers on the go.Product: Smart WatchDescription: Stay connected and track your fitness with our advanced smart watch. With heart rate monitoring, GPS, and a vibrant touch screen, it's your perfect companion for an active lifestyle.Product: Ergonomic Office ChairDescription:

Avec ces exemples, le modèle a plus de chances de générer une description pertinente et correctement stylisée de la chaise de bureau, qu'avec une approche "zero-shot" où il pourrait produire une description plus générique ou moins ciblée.

Une sortie potentielle pourrait être :``markdown

Description : Transformez votre espace de travail avec notre chaise de bureau ergonomique de pointe. Conçue pour un confort et un soutien ultimes, cette chaise est dotée d'un soutien lombaire réglable, d'un dossier en maille respirante et d'accoudoirs personnalisables. Que vous travailliez à domicile ou en entreprise, cette chaise est le parfait mélange de style et de fonctionnalité pour le professionnel moderne.

Faster adaptationFew-shot prompting helps the LLM to quickly learn new tasks or topics, making it fast and easy to switch between different jobs.Quick task learning: Models can quickly grasp new tasks with just a handful of examples, allowing for rapid prototyping and testing of new applications.Domain adaptation: It's easy to shift the model's focus to different domains or styles by simply changing the examples in the prompt.Iterative refinement: Users can quickly iterate and refine their prompts based on initial results, leading to a more agile development process.For example, if we wanted to adapt the model to generate different types of poetry, we could quickly switch between haikus, limericks, or sonnets just by changing the examples in our prompt:```markdownGenerate poetry based on the given theme and format.Theme: SpringHaiku:	Cherry blossoms bloom	Soft petals dance in the breeze	Nature awakensTheme: SummerHaiku:Theme: A funny catLimerick:	There once was a cat named Lou	Who always knew just what to do	He'd climb up a tree	Then meow with glee	And slide down as if on a chuteTheme: A clumsy dogLimerick:

Un résultat potentiel serait le suivant :

Haiku:Scorching sun aboveCicadas sing endlesslyBeach waves cool bare feetLimerick:There once was a dog quite unsteadyHis paws were not quite readyHe'd trip on his tailKnock over the mailBut his smile kept his owner steady

Réduction des besoins en données

L'incitation en quelques coups réduit considérablement la nécessité de disposer de grandes quantités de données étiquetées, ce qui constitue un avantage majeur par rapport aux approches traditionnelles de réglage fin.

  • Un nombre minimal d'exemples est nécessaire : Souvent, 2 à 5 exemples suffisent à guider efficacement le modèle pour de nombreuses tâches.
  • Aucun réglage fin n'est nécessaire : Contrairement aux approches traditionnelles d'apprentissage automatique, l'incitation par quelques tirs ne nécessite pas la mise à jour des paramètres du modèle, ce qui permet d'économiser des ressources informatiques et du temps.
  • L'accessibilité : Cette approche rend les fonctionnalités avancées du NLP plus accessibles aux utilisateurs qui n'ont pas forcément accès à de grands ensembles de données ou aux ressources nécessaires à l'entraînement intensif des modèles.

Applications de l'incitation par quelques tirs

L'incitation par quelques coups peut s'appliquer à de nombreux domaines. Sa flexibilité et son efficacité le rendent particulièrement utile pour les tâches qui nécessitent des connaissances spécialisées ou un travail créatif. Examinons quelques applications clés :

Tâches de raisonnement complexes

Les messages-guides à quelques reprises peuvent améliorer de manière significative la capacité d'un LLM à gérer des tâches impliquant un raisonnement en plusieurs étapes, une déduction logique ou des connaissances spécifiques à un domaine.

Voyons comment nous pourrions utiliser des messages courts pour une tâche de diagnostic médical :

Provide a possible diagnosis and explain your reasoning:Symptoms: Fever, cough, fatigueDiagnosis: Common coldExplanation: The combination of fever, cough, and fatigue is typical of a common cold. No severe symptoms are present, suggesting a mild viral infection.Symptoms: Chest pain, shortness of breath, dizzinessDiagnosis: Possible heart attackExplanation: The combination of chest pain, shortness of breath, and dizziness are warning signs of a possible heart attack. Immediate medical attention is required.Symptoms: Headache, sensitivity to light, nauseaDiagnosis:Explanation: 

Ce message guide le modèle pour qu'il ne se contente pas de fournir un diagnostic, mais qu'il explique également le raisonnement qui le sous-tend, démontrant ainsi un raisonnement médical complexe.

Le LLM produirait un résultat :``markdown

Diagnostic : Migraine

Explication : L'ensemble de ces symptômes est typique d'une migraine. Le mal de tête associé à une sensibilité à la lumière (photophobie) est un indicateur fort de la migraine, et des nausées accompagnent souvent cette affection. Bien que d'autres causes soient possibles, cette combinaison suggère fortement une migraine.

Creative writingFew-shot prompting is particularly effective in guiding LLMs to generate text in specific styles, formats, or genres.Let’s see how to generate movie synopsis in different genres using few-shot prompting:```markdownGenerate movie synopsis:Genre: Sci-FiSynopsis: In a world where dreams can be shared, a skilled "dream thief" is tasked with the impossible: planting an idea in someone's mind. As he delves deeper into the target's subconscious, the lines between reality and dreams blur, threatening to trap him forever.Genre: RomanceSynopsis: A chance encounter on a rainy day in Paris leads two strangers on a whirlwind 24-hour adventure. As they explore the city and each other's hearts, they must decide if their connection is strong enough to overcome the ocean that will separate them come morning.Genre: HorrorSynopsis: 

Cette invite guide le modèle dans la production d'un synopsis qui capture les éléments clés et le ton du genre spécifié.

Sortie :

Synopsis: A remote mountain town is plagued by a series of mysterious disappearances. As a skeptical detective investigates, she uncovers an ancient cult that awakens every hundred years to feed on the town's inhabitants. With time running out and the cult's power growing, she must confront her own dark past to save the remaining townspeople and herself from a terrifying fate.

Génération de codes

Les messages courts peuvent être extrêmement utiles pour aider les MLD à générer du code qui adhère à des conventions spécifiques, suit les meilleures pratiques ou répond à des exigences particulières. Les exemples peuvent démontrer la syntaxe et la structure correctes d'un langage de programmation particulier.

Voyons comment utiliser l'invite à quelques coups pour générer des fonctions Python avec des docstrings et des indications de type :

def calculate_area(length: float, width: float) -> float:    """    Calculate the area of a rectangle.    Args:        length (float): The length of the rectangle.        width (float): The width of the rectangle.    Returns:        float: The area of the rectangle.    """    return length * widthdef celsius_to_fahrenheit(celsius: float) -> float:    """    Convert temperature from Celsius to Fahrenheit.    Args:        celsius (float): Temperature in Celsius.    Returns:        float: Temperature in Fahrenheit.    """    return (celsius * 9/5) + 32def calculate_bmi(weight: float, height: float) -> float:    """    [Generate a docstring for this function]    """    # [Generate the function body]

Cette invite guide le modèle pour qu'il génère une fonction avec des indications de type appropriées et une docstring détaillée, en suivant le modèle établi.

Le résultat serait le suivant :

def calculate_bmi(weight: float, height: float) -> float:    """    Calculate the Body Mass Index (BMI) of a person.    Args:        weight (float): The weight of the person in kilograms.        height (float): The height of the person in meters.    Returns:        float: The calculated BMI value.    Note:        BMI is calculated as weight (kg) divided by height squared (m^2).        This function assumes weight is in kilograms and height is in meters.    """    return weight / (height ** 2)

Prompt à l'action : Défis et bonnes pratiques

Si les messages courts fonctionnent bien dans de nombreux cas, ils posent également des problèmes. Comprendre ces défis et suivre les meilleures pratiques peut nous aider à maximiser l'efficacité de nos messages-guides et à obtenir de meilleurs résultats.

Sélection d'exemples efficaces

La qualité et la pertinence des exemples que vous choisissez sont cruciales pour la réussite d'une présentation de quelques clichés. Voici quelques conseils :

  • Veillez à ce que les exemples soient directement liés à la tâche que vous souhaitez confier au modèle. Les exemples non pertinents peuvent perturber le modèle et entraîner de mauvaises performances.
  • Utilisez un ensemble varié d'exemples qui couvrent différents aspects de la tâche. Cela permet au modèle de mieux s'adapter à de nouvelles données.
  • Les exemples doivent être clairs et sans ambiguïté. Évitez les exemples complexes ou alambiqués qui risquent d'embrouiller le modèle.

Conception rapide

La création de messages-guides efficaces est un art qui exige une attention particulière à la manière dont les exemples sont présentés et à la façon dont la tâche est formulée. Voici quelques stratégies que vous pouvez suivre :

  • Conservez un format cohérent pour tous les exemples. Cela aide le modèle à reconnaître le modèle qu'il doit suivre.
  • Fournissez suffisamment de contexte dans l'invite pour que la tâche soit claire. Parfois, une brève instruction ou description peut aider à préparer le terrain pour les exemples.
  • Faites en sorte que le message soit aussi simple que possible, tout en fournissant les informations nécessaires. Des messages trop complexes peuvent prêter à confusion.

Éviter le surajustement

L'un des risques liés à l'utilisation d'un nombre restreint d'invites est que le modèle s'adapte trop aux exemples fournis, ce qui conduit à des résultats trop similaires aux exemples ou qui ne parviennent pas à se généraliser correctement à de nouvelles entrées. Pour éviter cela :

  • Utilisez une variété d'exemples qui couvrent différents scénarios et cas limites. Cela permet au modèle d'apprendre à généraliser plutôt que de se contenter d'imiter les exemples.
  • Évitez d'utiliser un trop grand nombre d'exemples, car cela peut entraîner un surajustement. Quelques exemples bien choisis sont souvent plus efficaces qu'un grand nombre d'exemples similaires.
  • Testez les performances du modèle sur une série de nouvelles données afin de vous assurer qu'il se généralise bien. Ajustez les exemples et l'invite si nécessaire en fonction de ces tests.

Le respect de ces bonnes pratiques vous aidera à créer des messages-guides plus efficaces qui guideront le modèle dans l'exécution précise et efficace de la tâche souhaitée. 

Défis et bonnes pratiques en matière d'incitation à la prise de vue à faible distance

Obtenez une certification de haut niveau en matière d'IA

Démontrez que vous pouvez utiliser l'IA de manière efficace et responsable.

Conclusion

L'incitation à quelques essais est une technique qui aide les MFR à appliquer leurs connaissances à des tâches spécifiques.

Il permet de s'adapter rapidement à de nouvelles tâches sans avoir à suivre une formation approfondie. Il améliore la précision des tâches complexes en fournissant des exemples pertinents. Il est utile dans différents domaines, du raisonnement à l'écriture créative et au codage, et il rend les modèles de langage avancés plus accessibles et adaptables.

Toutefois, son efficacité dépend d'une sélection rigoureuse des exemples et d'une conception rapide. La qualité et la pertinence des exemples sont cruciales pour une performance optimale.

Pour ce qui est de l'avenir, je suis enthousiaste à l'idée de l'évolution que cela pourrait prendre. Imaginez des systèmes capables de choisir automatiquement les exemples parfaits ou de s'adapter à la volée en fonction de leurs résultats. 

Voilà, c'est fait ! L'incitation par quelques coups de feu en quelques mots. Continuez à expérimenter, continuez à apprendre, et rendez-vous à la prochaine édition !

FAQ

Existe-t-il un moyen de mesurer ou de quantifier l'amélioration de l'exécution de la tâche lorsque l'on utilise des messages à quelques coups par rapport à des approches à zéro coup ?

Oui, les améliorations peuvent être mesurées à l'aide de mesures d'apprentissage automatique standard, en fonction de la tâche. Pour les tâches de classification, l'exactitude, la précision, le rappel et le score F1 peuvent être utilisés. Des mesures telles que BLEU, ROUGE ou l'évaluation humaine peuvent être utilisées pour les tâches de génération.

Y a-t-il des industries ou des secteurs spécifiques qui ont connu des applications particulièrement réussies de l'incitation par quelques tirs ?

Les messages-guides à quelques reprises ont fait leurs preuves dans divers secteurs, notamment le service à la clientèle (pour générer des réponses), la création de contenu (pour l'aide à la rédaction) et le développement de logiciels (pour la génération de codes). Elle s'avère également précieuse dans le domaine de la santé pour des tâches telles que le résumé de dossiers médicaux et dans le domaine de la finance pour l'analyse de marché et la création de rapports.

Quel pourrait être l'impact des messages courts sur le marché du travail des data scientists et des ingénieurs en apprentissage automatique ?

L'incitation par quelques tirs pourrait potentiellement démocratiser le développement d'applications d'IA, en permettant à des non-experts de créer facilement des solutions d'IA spécialisées. Cela pourrait amener les scientifiques des données et les ingénieurs en biologie moléculaire à se concentrer sur des tâches plus complexes, sur l'ingénierie rapide et sur le développement de systèmes d'IA plus avancés. Elle pourrait également créer de nouveaux rôles axés sur la conception de messages-guides et d'exemples efficaces pour diverses applications.

Quelles sont les limites des messages courts lorsqu'il s'agit de domaines hautement spécialisés ou techniques ?

Dans les domaines très spécialisés, l'incitation par quelques tirages peut s'avérer difficile si le modèle ne dispose pas des connaissances fondamentales dans ce domaine. Il peut également s'avérer difficile de saisir des règles ou des procédures complexes spécifiques à un domaine avec seulement quelques exemples. Dans ce cas, il peut être nécessaire de procéder à des ajustements plus poussés ou de dispenser une formation spécifique à un domaine.

Les utilisateurs doivent-ils être conscients des problèmes éthiques ou des risques d'utilisation abusive des messages-guides à court terme ?

Oui, il y a des problèmes éthiques. Les messages-guides à quelques reprises pourraient potentiellement être utilisés pour guider les modèles d'IA dans la production de contenus biaisés ou nuisibles si les exemples ne sont pas choisis avec soin. Il existe également un risque de fuite involontaire de données si des informations sensibles sont incluses dans les messages-guides.


Dr Ana Rojo-Echeburúa's photo
Author
Dr Ana Rojo-Echeburúa
LinkedIn
Twitter

Ana Rojo Echeburúa est une spécialiste de l'IA et des données, titulaire d'un doctorat en mathématiques appliquées. Elle aime transformer les données en informations exploitables et possède une grande expérience de la direction d'équipes techniques. Ana aime travailler en étroite collaboration avec ses clients pour résoudre leurs problèmes commerciaux et créer des solutions d'IA innovantes. Connue pour ses compétences en matière de résolution de problèmes et de communication claire, elle est passionnée par l'IA, en particulier l'IA générative. Ana se consacre à l'apprentissage continu et au développement éthique de l'IA, ainsi qu'à la simplification des problèmes complexes et à l'explication de la technologie de manière accessible.

Sujets

Apprenez l'IA avec ces cours !

Certification disponible

cours

L'IA générative au service des entreprises

1 hr
7.4K
Découvrez le rôle que l'intelligence artificielle générative joue aujourd'hui et jouera à l'avenir dans un environnement professionnel.
Afficher les détailsRight Arrow
Commencer le cours
Voir plusRight Arrow
Apparenté

blog

Les 32 meilleures questions d'entretien sur AWS et leurs réponses pour 2024

Un guide complet pour explorer les questions d'entretien AWS de base, intermédiaires et avancées, ainsi que des questions basées sur des situations réelles. Il couvre tous les domaines, garantissant ainsi une stratégie de préparation bien équilibrée.
Zoumana Keita 's photo

Zoumana Keita

30 min

blog

Les 20 meilleures questions d'entretien pour les flocons de neige, à tous les niveaux

Vous êtes actuellement à la recherche d'un emploi qui utilise Snowflake ? Préparez-vous à répondre à ces 20 questions d'entretien sur le flocon de neige pour décrocher le poste !
Nisha Arya Ahmed's photo

Nisha Arya Ahmed

20 min

blog

2022-2023 Rapport annuel DataCamp Classrooms

À l'aube de la nouvelle année scolaire, DataCamp Classrooms est plus motivé que jamais pour démocratiser l'apprentissage des données, avec plus de 7 650 nouveaux Classrooms ajoutés au cours des 12 derniers mois.
Nathaniel Taylor-Leach's photo

Nathaniel Taylor-Leach

8 min

blog

Célébration de Saghar Hazinyar : Une boursière de DataCamp Donates et une diplômée de Code to Inspire

Découvrez le parcours inspirant de Saghar Hazinyar, diplômée de Code to Inspire, qui a surmonté les défis en Afghanistan et s'est épanouie grâce à une bourse de DataCamp Donates.
Fereshteh Forough's photo

Fereshteh Forough

4 min

blog

Q2 2023 DataCamp Donates Digest

DataCamp Donates a offert plus de 20k bourses d'études à nos partenaires à but non lucratif au deuxième trimestre 2023. Découvrez comment des apprenants défavorisés et assidus ont transformé ces opportunités en réussites professionnelles qui ont changé leur vie.
Nathaniel Taylor-Leach's photo

Nathaniel Taylor-Leach

blog

Nous avons fait don de bourses DataCamp Premium à un million de personnes, et ce n'est pas fini.

Réparties entre nos deux programmes d'impact social, DataCamp Classrooms et #DCDonates, les bourses offrent un accès illimité à tout ce que DataCamp Premium a à offrir.
Nathaniel Taylor-Leach's photo

Nathaniel Taylor-Leach

Voir plusVoir plus