Guide ChatGPT Work avec GPT-5.6 : science des données de bout en bout dans votre navigateur

GPT-5.6 est la toute dernière famille de modèles d'OpenAI, disponible en trois niveaux : Sol pour le raisonnement avancé, Terra pour un usage équilibré au quotidien, et Luna pour des tâches rapides et légères.

En parallèle, OpenAI a lancé ChatGPT Work, un espace de travail au sein de ChatGPT conçu pour des flux de travail multi-étapes et pilotés par des fichiers.

ChatGPT Work vous permet de téléverser des fichiers, de conserver le contexte entre les invites, et de générer du code, des visualisations et des outils interactifs, le tout dans votre navigateur sans aucune configuration locale.

Dans ce guide, je vous montre comment réaliser un projet complet de prédiction du churn client bancaire entièrement dans ChatGPT Work. 

Nous allons importer un jeu de données réel, l'auditer et le nettoyer, puis l'explorer avec des visualisations.

Ensuite, nous entraînerons et comparerons plusieurs modèles de machine learning, évaluerons le meilleur et déploierons une interface web interactive pour des prédictions de churn en temps réel.

À la fin, vous disposerez d'un package complet avec des données nettoyées, des graphiques, des résultats de modèles et une démo fonctionnelle, le tout sans quitter votre navigateur.

Qu'est-ce que ChatGPT Work ?

ChatGPT Work est un agent dédié intégré à ChatGPT, conçu pour des tâches ambitieuses et multi-étapes qui vont bien au-delà d'un simple questions-réponses. 

Il peut agréger des informations à travers vos applications et vos workflows, produire des livrables finis comme des feuilles de calcul, des présentations, des documents et des applications web, et suivre des projets complexes pendant des heures en les décomposant en étapes et en les exécutant de façon autonome.

Avec la technologie Codex intégrée, ChatGPT Work dépasse le cadre des réponses pour exécuter de vrais travaux sur le web, mobile et desktop. 

Vous pouvez suivre sa progression, répondre à ses questions, changer d'orientation et valider les actions importantes pendant qu'il travaille.

ChatGPT Work est propulsé par GPT-5.6, ce qui en fait une référence pour raisonner sur des tâches multi-étapes et créer des livrables conformes à vos modèles et fichiers de référence. 

Il prend aussi en charge les tâches planifiées, afin de faire avancer les projets même en votre absence, par exemple en transformant de nouveaux messages Teams ou Slack en documents mis à jour et en partageant les changements avec votre équipe.

Étape 1 : importer des jeux de données dans ChatGPT Work

Tout projet de data science commence par les données. Dans cette étape, nous allons créer un espace de travail dédié dans ChatGPT Work et y ajouter le jeu de données de churn client bancaire pour commencer à travailler dessus.

Ouvrez ChatGPT dans votre navigateur et cliquez sur l'onglet Work. Puis cliquez sur Choose Project en bas à gauche de la conversation, sélectionnez New project et nommez-le Bank Customer Churn Prediction.

Assurez-vous également que GPT 5.6 Sol Light est sélectionné, car la tâche est simple et ne requiert pas de raisonnement poussé. 

L'interface doit afficher l'onglet Work actif, le nom de votre projet en bas de la conversation, et le menu du modèle réglé sur 5.6 Sol Light.

Ensuite, téléchargez Churn_Modelling.csv depuis Kaggle. 

Pour l'importer, cliquez sur l'icône plus (+) dans la zone de saisie du message, sélectionnez le fichier sur votre ordinateur et joignez-le à la conversation. Le fichier doit apparaître sous forme de carte de feuille de calcul au-dessus du champ de saisie, prêt à être envoyé. 

Étape 2 : audit et nettoyage des données avec GPT-5.6

Les données brutes sont rarement parfaites. Avant de construire des modèles, nous devons comprendre ce que nous avons en main et corriger tout problème susceptible de fausser les résultats. 

Collez cette invite dans la zone de saisie et appuyez sur Entrée :

Audit and prepare the dataset for analysis. 
Check the number of rows and columns, data types, missing values, duplicate records, invalid values, target distribution, and possible data leakage. 
Use Exited as the target variable. Exclude RowNumber, CustomerId, and Surname from the model because they are identifiers. 
Treat Geography and Gender as categorical variables. 
Preserve the original dataset and explain every cleaning decision.

Après envoi, ChatGPT Work utilisera ses compétences et outils intégrés pour lire le jeu de données, en comprendre la structure et fournir un compte rendu d'audit structuré.

Vous pouvez aussi explorer les différentes étapes que ChatGPT Work a suivies pour établir ce rapport d'audit. 

Ces étapes, visibles dans le fil de conversation, montrent comment le modèle a analysé les données, appliqué des règles de validation et tiré ses conclusions. 

En haut à droite du chat, cliquez sur le bouton à puces pour ouvrir le panneau Outputs. 

Ce panneau affiche deux fichiers générés : un CSV nettoyé et un rapport d'audit complet au format markdown.

Étape 3 : créer des visualisations de données dans l'environnement ChatGPT Work

Les chiffres seuls ne racontent pas toute l'histoire. Dans cette étape, nous transformerons les données nettoyées en graphiques qui révèlent les schémas du churn client.

Nous créerons une série de visualisations qui montrent la distribution globale du churn, ventilent les taux de churn par segments de clients, et comparent les variables numériques entre clients restés et partis. 

Nous générerons aussi une carte de corrélation pour examiner les liens entre variables numériques.

Collez cette invite :

Perform exploratory data analysis and create clear visualizations focused on customer churn.
Begin with a bar chart showing the overall distribution of customers who stayed and customers who exited. 
Then visualize churn rates by geography, gender, number of products, credit-card ownership, and active-member status. 
Create suitable histograms or box plots to compare age, credit score, account balance, tenure, and estimated salary between customers who stayed and customers who exited. 
Also, create a correlation heat map for the numerical variables.
Use descriptive chart titles, clearly labeled axes, readable legends, and appropriate chart types. 
Report churn rates rather than only customer counts. 
After each chart, provide a short explanation of the main pattern and state whether the finding should be investigated further. 
Do not describe any relationship as causal.

En réponse, ChatGPT Work générera du code Python pour réaliser l'analyse et créer toutes les visualisations. Il compilera ensuite le tout dans un rapport PDF professionnel, incluant chaque graphique avec son explication, ainsi qu'un résumé des principaux enseignements.

Vous pouvez explorer les fichiers générés directement dans ChatGPT Work ou les télécharger pour un examen local. 

Le panneau Outputs listera le rapport PDF ainsi que les fichiers de graphiques individuels ou notebooks de code créés au passage.

Étape 4 : construire et comparer des modèles

Maintenant que nous comprenons les données, il est temps d'entraîner des modèles capables de prédire quels clients risquent de partir. 

Nous allons bâtir un véritable pipeline de machine learning, comparer plusieurs algorithmes et retenir le meilleur sur la base de métriques solides.

Collez cette invite :

Build a machine learning pipeline for predicting customer churn. 
Use a stratified train-test split and keep the test set untouched during model selection. 
Fit all preprocessing steps only on the training data, one-hot encode categorical variables, scale numerical variables where required, and use a fixed random seed. 
Compare a dummy classifier, logistic regression, random forest, and gradient boosting model. 
Evaluate each model using accuracy, precision, recall, F1 score, ROC-AUC, and PR-AUC. 
Present the results in a comparison table and recommend the strongest model.

Après envoi, ChatGPT Work générera un script reproductible de pipeline scikit-learn et l'exécutera.

Vous verrez des mises à jour de progression dans le fil, étape par étape : vérification des bibliothèques, exécution du pipeline, validation croisée sur l'ensemble d'entraînement uniquement, et vérification des résultats finaux.

Une fois terminé, vous verrez un tableau comparatif clair avec les quatre modèles classés selon leurs métriques. 

Le tableau inclut l'accuracy, la précision, le rappel, le F1, le ROC-AUC et le PR-AUC pour chaque modèle. 

Dans ce projet, le modèle Gradient Boosting s'impose comme le plus performant, en tête sur PR-AUC et ROC-AUC.

Étape 5 : évaluer les performances du modèle prédictif

Une fois le meilleur modèle sélectionné, il faut vérifier ses performances sur des données qu'il n'a jamais vues. 

Nous allons procéder à une évaluation complète sur l'ensemble de test préservé et créer des visualisations pour faciliter l'interprétation des résultats.

Collez cette invite :

Evaluate the selected model on the untouched test set. 
Report the confusion matrix, accuracy, precision, recall, F1 score, ROC-AUC, PR-AUC, false positives, and false negatives. 
Create a confusion-matrix heat map, ROC curve, precision-recall curve, and feature-importance chart. 
Explain what each visualization means in simple language and identify the most important predictive factors. 
Do not claim that any feature causes customer churn.

Après envoi, ChatGPT Work évaluera le modèle Gradient Boosting sur l'ensemble de test tenu à l'écart et générera un rapport PDF complet. 

Le rapport comporte quatre visualisations. 

• La carte thermique de la matrice de confusion montre en un coup d'œil le nombre de prédictions vraies et fausses. 
• La courbe ROC illustre la capacité du modèle à séparer les churners des non-churners selon différents seuils. 
• La courbe précision-rappel met en évidence le compromis entre détecter les churners et éviter les fausses alertes. 
• Le graphique d'importance des variables classe celles sur lesquelles le modèle s'appuie le plus ; l'âge, le nombre de produits, le statut de membre actif, le solde du compte et la géographie ressortent généralement comme facteurs majeurs.

Étape 6 : déployer des applications web directement via ChatGPT Work Sites

Un modèle enfermé dans un rapport se partage difficilement. Dans cette étape, nous transformerons notre prédicteur de churn entraîné en une application web interactive, accessible et testable par tous.

Collez cette invite :

Create a simple interactive web interface inside ChatGPT Work to test the selected customer churn model. 
Include input fields for all customer features and display whether the customer is predicted to stay or exit, along with the churn probability. 
Add input validation and a reset button, and ensure the interface uses the same preprocessing pipeline and model evaluated on the test set.

ChatGPT Work propose une fonctionnalité appelée Sites, qui permet de créer et de déployer des applications web directement depuis votre projet. 

Lorsque vous envoyez cette invite, ChatGPT Work aligne d'abord la sortie du modèle avec les besoins de l'interface, puis utilise HTML, JavaScript et CSS pour créer l'application.

Un lien de test vous sera également fourni. Cette étape est la plus longue, car elle consiste à connecter les prédictions du modèle à une interface soignée qui réagit instantanément aux saisies des utilisateurs.

En cliquant sur le lien, l'application web s'ouvre dans l'interface de ChatGPT. Vous verrez des champs de saisie pour toutes les caractéristiques client, comme l'âge, l'ancienneté, le solde de compte et le salaire. 

Vous pouvez la tester en entrant différentes valeurs ; en quelques millisecondes, vous obtiendrez la prédiction indiquant si le client est susceptible de rester ou de partir, ainsi que la probabilité de churn.

La réponse est précise et rapide, offrant un aperçu concret des performances du modèle avec de vraies données utilisateur.

Vous validez ainsi votre modèle auprès d'utilisateurs réels sans écrire une seule ligne de code backend ni configurer de serveurs.

Étape 7 : exporter votre projet final et vos rapports depuis ChatGPT Work

Tout projet sérieux mérite une synthèse claire. Dans cette étape, nous rassemblerons tout ce que nous avons construit dans un document professionnel retraçant l'histoire complète, des données brutes jusqu'aux prédictions en direct.

Collez cette invite :

Create a final project report covering the initial data analysis, data visualizations, model training, model comparison, final evaluation, and key findings. 
Include screenshots of the customer churn web interface, explain how to use it, and demonstrate that the prediction demo works with example customer profiles. 
Present the report in a clear, professional structure with concise explanations.

Après envoi, ChatGPT Work combinera l'ensemble du projet en un PDF unique. 

Vous verrez des mises à jour indiquant comment il rassemble l'analyse vérifiée, les résultats des modèles, les graphiques d'évaluation et les captures de l'interface web en direct. 

Il générera aussi deux profils clients d'exemple, l'un avec une prédiction de maintien et l'autre de départ, pour démontrer le bon fonctionnement de la démo.

Une fois terminé, le panneau Outputs listera le rapport final en PDF. 

Le rapport couvre l'audit des données, l'analyse exploratoire, les visualisations, l'entraînement des modèles, la comparaison, l'évaluation finale, les enseignements, les limites, les instructions d'utilisation de l'interface et les deux exemples de prédiction fonctionnels. 

Vous pouvez l'ouvrir directement dans ChatGPT Work ou le télécharger pour le partager.

ChatGPT Work conserve tous vos fichiers de projet dans le panneau Outputs, mais les télécharger un par un peut être fastidieux. 

Le moyen le plus simple de tout récupérer d'un coup est de demander à ChatGPT Work de tout regrouper dans un fichier ZIP structuré avec des dossiers appropriés.

Collez l'invite : 

Create a ZIP file containing all project outputs, including the cleaned dataset, visualizations, model comparison table, evaluation results, final report, web interface files, and screenshots. 
Organize the files into clearly named folders and provide the completed ZIP file for download. 

Après envoi, ChatGPT Work rassemblera tous les fichiers générés et les organisera dans des dossiers tels que data, visualizations, reports, modeling, evaluation et web_interface. 

Une fois téléchargé, vous pouvez l'extraire en local et parcourir tous les artefacts du projet, du jeu de données nettoyé à l'application de prédiction en direct. 

En conclusion

À mon sens, ChatGPT Work change la manière de faire de la data science.

Tout se passe dans votre navigateur, sans installation, sans configuration d'environnement, sans casse-tête de dépendances. 

Vous importez un fichier, vous envoyez une invite, et vous le voyez nettoyer les données, créer des graphiques, entraîner des modèles et déployer une application en direct, dans un même flux.

La sensation rappelle des outils comme Claude Code, mais ici la différence, c'est la vitesse et la simplicité. Aucune configuration. Aucun package à gérer. Aucun délai de démarrage de noyau. 

Vous discutez, et il construit. 

Le modèle analyse vos données, s'entraîne, s'évalue, puis se déploie via une interface web que vous pouvez partager ou tester immédiatement.

Comparé aux environnements locaux avec VS Code, des extensions et des notebooks éparpillés, on a l'impression d'un autre monde. Pas d'espace disque englouti par des environnements. Pas de conflits de versions. Pas d'allers-retours entre dix outils. Vous restez au même endroit, et le projet grandit autour de vous.

Pour quiconque veut passer des données brutes à une démo de prédiction opérationnelle sans toucher au terminal, ChatGPT Work avec GPT-5.6 est la voie la plus rapide.