ChatGPT Work With GPT-5.6 गाइड: आपके ब्राउज़र में एंड-टू-एंड डेटा साइंस

GPT-5.6 OpenAI का नवीनतम मॉडल परिवार है, जो तीन स्तरों में उपलब्ध है: Sol गहन तर्क के लिए, Terra दैनिक संतुलित कार्यों के लिए, और Luna तेज़, हल्के कार्यों के लिए।

इसके साथ ही, OpenAI ने ChatGPT Work जारी किया है—ChatGPT के भीतर एक प्रोजेक्ट कार्यक्षेत्र, जो बहु-चरणीय, फ़ाइल-आधारित वर्कफ़्लोज़ के लिए बनाया गया है।

ChatGPT Work आपको फ़ाइलें अपलोड करने, प्रॉम्प्ट्स के बीच संदर्भ बनाए रखने, और आपके ब्राउज़र में ही बिना किसी लोकल सेटअप के कोड, विज़ुअलाइज़ेशन और इंटरैक्टिव टूल्स बनाने देता है।

इस गाइड में, मैं आपको दिखाऊंगा कि कैसे ChatGPT Work के भीतर ही पूरा बैंक ग्राहक चर्न भविष्यवाणी प्रोजेक्ट बनाया जाए। 

हम एक वास्तविक-जीवन डेटासेट अपलोड करेंगे, डेटा का ऑडिट और सफाई करेंगे, और विज़ुअलाइज़ेशन के साथ उसे एक्सप्लोर करेंगे।

फिर हम कई मशीन लर्निंग मॉडल्स को ट्रेन और तुलना करेंगे, सर्वश्रेष्ठ प्रदर्शनकर्ता का मूल्यांकन करेंगे, और रियल-टाइम चर्न भविष्यवाणियों के लिए एक इंटरैक्टिव वेब इंटरफ़ेस परिनियोजित करेंगे।

अंत तक, आपके पास एक पूर्ण प्रोजेक्ट पैकेज होगा—साफ किया हुआ डेटा, चार्ट्स, मॉडल परिणाम, और एक काम करता हुआ डेमो—जो सब कुछ आपके ब्राउज़र से ही बनाया गया होगा।

ChatGPT Work क्या है?

ChatGPT Work, ChatGPT के भीतर एक समर्पित एजेंट है, जिसे महत्वाकांक्षी, बहु-चरणीय कार्यों के लिए डिज़ाइन किया गया है जो साधारण प्रश्नोत्तर से बहुत आगे जाते हैं। 

यह आपके ऐप्स और वर्कफ़्लोज़ में जानकारी एकत्र कर सकता है, स्प्रेडशीट, स्लाइड्स, दस्तावेज़ और वेब ऐप्स जैसी तैयार सामग्री बना सकता है, और जटिल प्रोजेक्ट्स को छोटे-छोटे चरणों में विभाजित करके स्वतंत्र रूप से पूरा करते हुए घंटों तक साथ बना रह सकता है।

बिल्ट-इन Codex तकनीक के साथ, ChatGPT Work सवालों के जवाब देने से आगे बढ़कर वेब, मोबाइल और डेस्कटॉप पर वास्तविक काम कर देता है। 

आप इसके प्रगति-क्रम का अनुसरण कर सकते हैं, प्रश्नों का उत्तर दे सकते हैं, दिशा बदल सकते हैं, और इसके काम के दौरान महत्वपूर्ण कार्रवाइयों को स्वीकृत कर सकते हैं।

ChatGPT Work को GPT-5.6 से शक्ति मिलती है, जो बहु-चरणीय कार्यों पर तर्क करने और आपकी टेम्पलेट्स व संदर्भ फ़ाइलों का पालन करते हुए सामग्री बनाने में अत्याधुनिक है। 

यह Scheduled Tasks का भी समर्थन करता है, जिससे आप दूर होने पर भी प्रोजेक्ट आगे बढ़ते रहते हैं—जैसे Teams या Slack से नए संदेशों को अपडेटेड दस्तावेज़ों में बदलना और अपनी टीम के साथ बदलाव साझा करना।

चरण 1: ChatGPT Work में डेटासेट अपलोड करना

हर डेटा साइंस प्रोजेक्ट डेटा से शुरू होता है। इस चरण में, हम ChatGPT Work में समर्पित कार्यक्षेत्र बनाएंगे और बैंक ग्राहक चर्न डेटासेट लाकर उस पर काम शुरू करेंगे।

अपने ब्राउज़र में ChatGPT खोलें और Work टैब पर क्लिक करें। फिर चैट के निचले-बाएँ हिस्से में Choose Project पर क्लिक करें, New project चुनें, और इसका नाम रखें Bank Customer Churn Prediction।

साथ ही सुनिश्चित करें कि GPT 5.6 Sol Light चयनित है, क्योंकि यह सरल कार्य है और हमें उच्च-स्तरीय तर्क की आवश्यकता नहीं है। 

इंटरफ़ेस में Work टैब सक्रिय दिखना चाहिए, चैट के नीचे आपका प्रोजेक्ट नाम, और मॉडल ड्रॉपडाउन 5.6 Sol Light पर सेट होना चाहिए।

इसके बाद, Kaggle से Churn_Modelling.csv डाउनलोड करें। 

इसे अपलोड करने के लिए, संदेश इनपुट क्षेत्र में प्लस (+) आइकन पर क्लिक करें, अपने कंप्यूटर से फ़ाइल चुनें, और उसे बातचीत में संलग्न करें। फ़ाइल इनपुट फ़ील्ड के ऊपर एक स्प्रेडशीट कार्ड के रूप में दिखाई देगी, भेजने के लिए तैयार। 

चरण 2: GPT-5.6 के साथ डेटा ऑडिटिंग और सफाई

कच्चा डेटा शायद ही कभी परफेक्ट होता है। कोई भी मॉडल बनाने से पहले, हमें समझना होगा कि हम किसके साथ काम कर रहे हैं और उन समस्याओं को ठीक करना होगा जो हमारे परिणामों को तिरछा कर सकती हैं। 

यह प्रॉम्प्ट इनपुट बॉक्स में पेस्ट करें और एंटर दबाएँ:

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.

प्रॉम्प्ट भेजने के बाद, ChatGPT Work अपनी बिल्ट-इन स्किल्स और टूल्स का उपयोग करके डेटासेट पढ़ेगा, उसकी संरचना समझेगा, और एक संरचित ऑडिट सारांश प्रदान करेगा।

आप यह भी देख सकते हैं कि इस ऑडिट सारांश तक पहुँचने के लिए ChatGPT Work ने कौन-कौन से चरण अपनाए। 

ये चरण बातचीत थ्रेड में दिखाई देते हैं और दिखाते हैं कि मॉडल ने डेटा का कैसे विश्लेषण किया, वैलिडेशन नियम कैसे लागू किए, और प्रत्येक निष्कर्ष तक कैसे पहुँचा। 

चैट के ऊपर-दाएँ कोने में बुलेट-पॉइंट बटन पर क्लिक करके Outputs पैनल खोलें। 

यह पैनल दो जेनरेटेड फ़ाइलें दिखाएगा: एक क्लीन की गई CSV फ़ाइल और मार्कडाउन फ़ॉर्मेट में पूरा ऑडिट रिपोर्ट।

चरण 3: ChatGPT Work वातावरण में डेटा विज़ुअलाइज़ेशन बनाना

सिर्फ संख्याएँ पूरी कहानी नहीं बतातीं। इस चरण में, हम क्लीन किए गए डेटा को ऐसे चार्ट्स और ग्राफ़्स में बदलेंगे जो ग्राहक चर्न के पैटर्न उजागर करें।

हम कुछ विज़ुअलाइज़ेशन बनाएँगे जो समग्र चर्न वितरण दिखाएँ, अलग-अलग ग्राहक सेगमेंट्स के अनुसार चर्न दरों को ब्रेकडाउन करें, और जो ग्राहक रहे और जो बाहर हुए उनके बीच संख्यात्मक फीचर्स की तुलना करें। 

हम एक कोरिलेशन हीट मैप भी बनाएँगे ताकि देखें कि संख्यात्मक वेरिएबल्स एक-दूसरे से कैसे संबंधित हैं।

यह प्रॉम्प्ट पेस्ट करें:

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.

इसके परिणामस्वरूप, ChatGPT Work विश्लेषण करने और सभी विज़ुअलाइज़ेशन बनाने के लिए Python कोड जनरेट करेगा। फिर यह सब कुछ एक प्रोफेशनल PDF रिपोर्ट में संकलित करेगा। रिपोर्ट में हर चार्ट के साथ उसकी व्याख्या और प्रमुख निष्कर्षों का सारांश शामिल होगा।

आप जेनरेटेड फ़ाइलों को सीधे ChatGPT Work के भीतर एक्सप्लोर कर सकते हैं या उन्हें डाउनलोड करके लोकल रूप से समीक्षा कर सकते हैं। 

Outputs पैनल में PDF रिपोर्ट के साथ-साथ इस प्रक्रिया के दौरान बनाए गए किसी भी व्यक्तिगत चार्ट फ़ाइल या कोड नोटबुक की सूची होगी।

चरण 4: मॉडल बनाना और तुलना करना

अब जब हम डेटा समझ चुके हैं, तो समय है ऐसे मॉडल्स को ट्रेन करने का जो अनुमान लगा सकें कि कौन से ग्राहक जाने की संभावना रखते हैं। 

हम एक उचित मशीन लर्निंग पाइपलाइन बनाएँगे, कई एल्गोरिद्म्स की तुलना करेंगे, और ठोस मैट्रिक्स के आधार पर सर्वश्रेष्ठ को चुनेंगे।

यह प्रॉम्प्ट पेस्ट करें:

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.

प्रॉम्प्ट भेजने के बाद, ChatGPT Work एक पुनरुत्पादनीय scikit-learn पाइपलाइन स्क्रिप्ट जेनरेट करेगा और उसे चलाएगा।

आप बातचीत थ्रेड में प्रगति अपडेट देखेंगे—लाइब्रेरी जाँचना, पाइपलाइन चलाना, केवल ट्रेनिंग सेट पर क्रॉस-वैधता करना, और अंतिम परिणामों का सत्यापन।

पूरा होने पर, आपको चारों मॉडल्स की मैट्रिक्स के साथ एक साफ़ तुलना तालिका दिखेगी। 

तालिका में प्रत्येक मॉडल के लिए Accuracy, Precision, Recall, F1, ROC-AUC, और PR-AUC शामिल होंगे। 

इस प्रोजेक्ट में, Gradient Boosting मॉडल सबसे मज़बूत प्रदर्शनकर्ता के रूप में उभरता है, PR-AUC और ROC-AUC पर अग्रणी।

चरण 5: प्रेडिक्टिव मॉडल का प्रदर्शन मूल्यांकन

सर्वश्रेष्ठ मॉडल चुने जाने के बाद, अब हमें देखना है कि वह पहले कभी न देखे गए डेटा पर कितना अच्छा प्रदर्शन करता है। 

हम अप्रयुक्त टेस्ट सेट पर पूर्ण मूल्यांकन चलाएँगे और ऐसे विज़ुअलाइज़ेशन बनाएँगे जो परिणामों को समझना आसान बनाते हैं।

यह प्रॉम्प्ट पेस्ट करें:

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.

प्रॉम्प्ट भेजने के बाद, ChatGPT Work होल्ड-आउट टेस्ट सेट पर Gradient Boosting मॉडल का मूल्यांकन करेगा और एक व्यापक PDF रिपोर्ट जेनरेट करेगा। 

रिपोर्ट में चार विज़ुअलाइज़ेशन शामिल होंगे। 

• कन्फ्यूज़न मैट्रिक्स हीट मैप, एक नज़र में सही और गलत पूर्वानुमानों की संख्या दिखाता है। 
• ROC कर्व विभिन्न थ्रेसहोल्ड्स पर मॉडल द्वारा चर्नर्स और नॉन-चर्नर्स को कितनी अच्छी तरह अलग किया जाता है, यह दर्शाता है। 
• प्रिसीजन-रिकॉल कर्व, चर्नर्स को पकड़ने और फॉल्स अलार्म से बचने के बीच के संतुलन को रेखांकित करता है। 
• फीचर इम्पॉर्टेंस चार्ट यह रैंक करता है कि किन वेरिएबल्स पर मॉडल ने सबसे अधिक भरोसा किया—आयु, प्रोडक्ट्स की संख्या, सक्रिय सदस्य स्थिति, खाता शेष, और भौगोलिक क्षेत्र आमतौर पर शीर्ष कारकों के रूप में उभरते हैं।

चरण 6: ChatGPT Work Sites के माध्यम से सीधे वेब ऐप्स परिनियोजित करना

सिर्फ रिपोर्ट में मौजूद मॉडल को साझा करना कठिन होता है। इस चरण में, हम अपने प्रशिक्षित चर्न प्रेडिक्टर को एक लाइव, इंटरैक्टिव वेब एप्लिकेशन में बदलेंगे जिसे कोई भी खोलकर जाँच सकता है।

यह प्रॉम्प्ट पेस्ट करें:

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 में Sites नामक एक सुविधा होती है, जो आपको अपने प्रोजेक्ट से ही सीधे वेब एप्लिकेशन बनाने और परिनियोजित करने देती है। 

जब आप यह प्रॉम्प्ट भेजते हैं, तो ChatGPT Work पहले मॉडल आउटपुट को UI आवश्यकताओं के साथ संरेखित करेगा, फिर एप्लिकेशन बनाने के लिए HTML, JavaScript और CSS का उपयोग करेगा।

यह आपको इसे जाँचने के लिए एक लिंक भी देगा। यह चरण सबसे अधिक समय लेता है, क्योंकि इसमें मॉडल पूर्वानुमानों को एक परिष्कृत इंटरफ़ेस में वायर करना शामिल होता है, जो उपयोगकर्ता इनपुट पर तुरंत प्रतिक्रिया देता है।

लिंक पर क्लिक करने पर, वेब एप्लिकेशन ChatGPT इंटरफ़ेस के भीतर खुलेगा। आपको सभी ग्राहक फीचर्स—जैसे आयु, कार्यकाल, खाता शेष, और वेतन—के लिए इनपुट फ़ील्ड दिखेंगे। 

आप इसमें अलग-अलग मान दर्ज करके इसे जाँच सकते हैं, और मिलीसेकंड्स में ही आपको यह परिणाम मिल जाएगा कि ग्राहक के रहने या जाने की कितनी संभावना है, साथ ही चर्न प्रायिकता भी।

प्रतिक्रिया सटीक और तेज़ है, जो आपको वास्तविक उपयोगकर्ता डेटा के साथ मॉडल के प्रदर्शन का वास्तविक अहसास देती है।

इस तरह, आप बिना एक भी लाइन बैकएंड कोड लिखे या कोई सर्वर सेटअप किए, वास्तविक उपयोगकर्ताओं के लिए अपने मॉडल को मान्य कर सकते हैं।

चरण 7: ChatGPT Work से अपना अंतिम प्रोजेक्ट और रिपोर्ट्स निर्यात करना

हर ठोस प्रोजेक्ट एक साफ़-सुथरे सारांश का हकदार है। इस चरण में, हम अब तक बनाई गई हर चीज़ को एक प्रोफेशनल दस्तावेज़ में समेटेंगे, जो कच्चे डेटा से लेकर लाइव प्रेडिक्शंस तक पूरी कहानी बताता है।

यह प्रॉम्प्ट पेस्ट करें:

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.

प्रॉम्प्ट भेजने के बाद, ChatGPT Work पूरे प्रोजेक्ट को एक ही PDF में संकलित कर देगा। 

आप प्रगति अपडेट देखेंगे कि वह सत्यापित विश्लेषण, मॉडल परिणाम, मूल्यांकन चार्ट, और लाइव वेब इंटरफ़ेस के स्क्रीनशॉट्स कैसे इकट्ठा करता है। 

यह दो उदाहरण ग्राहक प्रोफाइल भी जनरेट करेगा—एक में रहने की भविष्यवाणी और एक में जाने की—ताकि डेमो के काम करने का प्रमाण मिले।

पूरा होने पर, Outputs पैनल में अंतिम रिपोर्ट PDF सूचीबद्ध होगी। 

रिपोर्ट में डेटा ऑडिट, एक्सप्लोरेटरी विश्लेषण, विज़ुअलाइज़ेशन, मॉडल ट्रेनिंग, मॉडल तुलना, अंतिम मूल्यांकन, प्रमुख निष्कर्ष, सीमाएँ, इंटरफ़ेस निर्देश, और दो कार्यशील प्रेडिक्शन उदाहरण शामिल होंगे। 

आप इसे सीधे ChatGPT Work में खोल सकते हैं या दूसरों के साथ साझा करने के लिए डाउनलोड कर सकते हैं।

ChatGPT Work आपके सभी प्रोजेक्ट फ़ाइलों को Outputs पैनल में रखता है, लेकिन उन्हें एक-एक करके डाउनलोड करना थकाऊ हो सकता है। 

सब कुछ एक साथ पाने का सबसे आसान तरीका यह है कि ChatGPT Work से कहें कि वह सबको उचित फ़ोल्डर्स के साथ एक ही ZIP फ़ाइल में बाँध दे।

यह प्रॉम्प्ट पेस्ट करें: 

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. 

प्रॉम्प्ट भेजने के बाद, ChatGPT Work हर जेनरेटेड फ़ाइल इकट्ठा करेगा और उन्हें जैसे data, visualizations, reports, modeling, evaluation, और web_interface जैसे स्पष्ट नाम वाले फ़ोल्डर्स में व्यवस्थित करेगा। 

डाउनलोड हो जाने के बाद, आप इसे लोकल रूप से एक्सट्रैक्ट कर सकते हैं और प्रोजेक्ट की हर आर्टिफैक्ट—मूल क्लीन किया गया डेटासेट से लेकर अंतिम लाइव प्रेडिक्शन ऐप तक—को ब्राउज़ कर सकते हैं। 

अंतिम विचार

मुझे लगता है कि ChatGPT Work डेटा साइंस के काम करने के तरीके को बदल देता है।

सब कुछ आपके ब्राउज़र में होता है—कोई इंस्टॉलेशन नहीं, कोई एनवायरनमेंट सेटअप नहीं, डिपेंडेंसी की कोई दिक्कत नहीं। 

आप फ़ाइल अपलोड करते हैं, एक प्रॉम्प्ट भेजते हैं, और देखते हैं कि यह डेटा साफ़ करता है, चार्ट्स बनाता है, मॉडल ट्रेन करता है, और एक लाइव ऐप परिनियोजित करता है—वह भी एक ही फ्लो में।

यह Claude Code जैसे टूल्स जैसा महसूस होता है, लेकिन फर्क है गति और सादगी का। आपको कुछ भी कॉन्फ़िगर नहीं करना होता। मैनेज करने के लिए कोई पैकेज नहीं। कर्नेल के शुरू होने का इंतज़ार नहीं। 

आप बस उससे बात करते हैं, और वह बना देता है। 

मॉडल आपका डेटा विश्लेषित करता है, खुद को ट्रेन करता है, खुद का मूल्यांकन करता है, और फिर खुद को ऐसे वेब इंटरफ़ेस के माध्यम से सर्व करता है जिसे आप तुरंत साझा या टेस्ट कर सकते हैं।

लोकल सेटअप—VS Code, एक्सटेंशंस, और बिखरी हुई नोटबुक्स—की तुलना में, यह एक अलग दुनिया जैसा लगता है। न तो एनवायरनमेंट्स डिस्क स्पेस घेरते हैं, न वर्शन कॉन्फ्लिक्ट्स, न दस अलग-अलग टूल्स के बीच संदर्भ-स्विचिंग। आप एक ही जगह रहते हैं, और प्रोजेक्ट आपके चारों ओर बढ़ता है।

जो भी लोग बिना टर्मिनल छुए कच्चे डेटा से एक काम करता हुआ प्रेडिक्शन डेमो चाहते हैं, उनके लिए GPT-5.6 के साथ ChatGPT Work सबसे तेज़ रास्ता है।