ChatGPT Work と GPT-5.6 ガイド：ブラウザだけで完結するエンドツーエンドのデータサイエンス

GPT-5.6 は OpenAI の最新モデルファミリーで、Sol （高度な推論向け）、Terra （日常業務のバランス重視）、Luna （高速で軽量なタスク向け）の3階層で提供されています。

これにあわせて、OpenAI は ChatGPT Work をリリースしました。ChatGPT 内にあるプロジェクト用のワークスペースで、ファイルを軸にした複数ステップのワークフローに対応しています。

ChatGPT Work では、ファイルのアップロード、プロンプト間のコンテキスト維持、コード・可視化・インタラクティブツールの生成が行えます。ローカル環境の準備は不要で、すべてブラウザ内で完結します。

本ガイドでは、ChatGPT Work 内だけで銀行の顧客離反予測プロジェクトを最初から最後まで構築する方法を紹介します。

実データセットをアップロードし、データの監査とクレンジングを行い、可視化で探索します。

その後、複数の機械学習モデルを学習・比較し、最良モデルを評価して、リアルタイム推論が可能なインタラクティブな Web インターフェースをデプロイします。

最後には、クレンジング済みデータ、グラフ、モデル結果、動作デモまで含む完全なプロジェクト一式が手元に残ります。すべてブラウザから離れることなく作成できます。

ChatGPT Work とは？

ChatGPT Work は、ChatGPT の中にある専用エージェントで、単純な Q&A を大きく超える、意欲的な複数ステップのタスク向けに設計されています。

アプリやワークフローをまたいで情報を収集し、スプレッドシート、スライド、ドキュメント、Web アプリなど完成形の成果物を作り、タスクを小さく分割して自律的に進めることで、複雑なプロジェクトに数時間単位で取り組めます。

内蔵された Codex 技術により、ChatGPT Work は単なる回答にとどまらず、Web・モバイル・デスクトップを横断して実際の作業をこなします。

進捗を追跡し、質問に回答し、方向性を変更し、重要なアクションを承認しながら進められます。

ChatGPT Work は GPT-5.6 を基盤としており、複数ステップの推論や、テンプレートや参照ファイルに沿った成果物の作成において最先端の性能を発揮します。

また、Scheduled Tasks をサポートしており、Teams や Slack の新着メッセージをドキュメントに反映してチームと共有するなど、離席中でもプロジェクトを前進させられます。

ステップ 1：ChatGPT Work へのデータセットのアップロード

すべてのデータサイエンスはデータから始まります。まずは ChatGPT Work に専用ワークスペースを作り、銀行の顧客離反データセットを取り込み、作業を始められる状態にします。

ブラウザで ChatGPT を開き、Work タブをクリックします。次に、チャット左下の Choose Project をクリックし、New project を選び、名前を Bank Customer Churn Prediction にします。

また、この作業はシンプルで高度な推論を要しないため、モデルは GPT 5.6 Sol Light が選択されていることを確認してください。

インターフェース上では Work タブがアクティブになり、チャット下部にプロジェクト名が表示され、モデルのドロップダウンが 5.6 Sol Light に設定されているはずです。

次に、Kaggle から Churn_Modelling.csv をダウンロードします。

アップロードするには、メッセージ入力欄のプラス（+）アイコンをクリックし、PC からファイルを選択して会話に添付します。入力欄の上にスプレッドシートカードとして表示され、送信できる状態になります。

ステップ 2：GPT-5.6 によるデータ監査とクレンジング

生データが完璧であることは稀です。モデルを構築する前に、データの中身を把握し、結果を歪める可能性のある問題を修正する必要があります。

次のプロンプトを入力欄に貼り付けて、Enter を押します：

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.

プロンプトを送信すると、ChatGPT Work は内蔵のスキルとツールを使ってデータセットを読み込み、構造を理解し、体系的な監査サマリーを提示します。

また、ChatGPT Work がこの監査サマリーに至るまでに踏んだ各ステップも確認できます。

会話スレッドには、どのようにデータを分析し、検証ルールを適用し、各結論に到達したかが表示されます。

チャット右上の箇条書きボタンをクリックして、Outputs パネルを開きます。

このパネルには、クレンジング済みの CSV ファイルと、監査レポート（Markdown 形式）の2つの生成物が表示されます。

ステップ 3：ChatGPT Work 環境でのデータ可視化

数字だけでは全体像は見えてきません。ここでは、クレンジング済みデータをグラフに変換し、顧客離反のパターンを明らかにします。

全体の離反分布、顧客セグメント別の離反率、残留者と離反者の数値特徴の比較を示す一連の可視化を作成します。

また、数値変数間の関係を見るために相関ヒートマップも生成します。

次のプロンプトを貼り付けます：

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.

すると、ChatGPT Work は分析用の Python コードを生成し、すべての可視化を作成します。各チャートとその説明、主要な発見の要約を含むプロフェッショナルな PDF レポートにまとめてくれます。

生成されたファイルは ChatGPT Work 内で直接確認することも、ローカルにダウンロードして見直すこともできます。

Outputs パネルには、PDF レポートのほか、個別のチャートファイルや作成時のコードノートブックが一覧表示されます。

ステップ 4：モデルの構築と比較

データの理解が進んだら、次は離反しそうな顧客を予測するモデルを学習させます。

適切な機械学習パイプラインを構築し、複数アルゴリズムを比較し、堅牢な指標に基づいて最良のものを選びます。

次のプロンプトを貼り付けます：

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.

プロンプト送信後、ChatGPT Work は再現可能な scikit-learn パイプラインスクリプトを生成して実行します。

会話スレッドには、ライブラリの確認、パイプラインの実行、学習データのみでの交差検証、最終結果の検証といった各ステージの進捗が表示されます。

完了すると、4つのモデルの評価指標が並んだ比較表が見やすく表示されます。

各モデルについて、Accuracy、Precision、Recall、F1、ROC-AUC、PR-AUC が含まれています。

本プロジェクトでは、Gradient Boosting モデルが PR-AUC と ROC-AUC で最も優れた結果となり、最有力候補として浮上します。

ステップ 5：予測モデルの性能評価

最良モデルが選定できたら、未見データに対してどの程度の性能を発揮するかを確認します。

保持しておいたテストセットで完全な評価を実施し、結果を直感的に理解できる可視化を作成します。

次のプロンプトを貼り付けます：

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.

プロンプト送信後、ChatGPT Work は保持テストセットで Gradient Boosting モデルを評価し、包括的な PDF レポートを生成します。

レポートには次の4種類の可視化が含まれます。

• 混同行列のヒートマップ：正解・不正解の件数をひと目で把握できます。
• ROC 曲線：しきい値を変えたときに、離反者と非離反者をどの程度うまく分離できるかを示します。
• 適合率-再現率（Precision-Recall）曲線：離反者の取りこぼしを減らすことと誤警報を抑えることのトレードオフを示します。
• 特徴量重要度チャート：モデルが重視した変数の順位を示し、一般に年齢、製品数、アクティブ会員ステータス、口座残高、地域などが上位に挙がります。

ステップ 6：ChatGPT Work の Sites で Web アプリを直接デプロイ

レポートの中だけにあるモデルは共有が難しいものです。ここでは、学習済みの離反予測モデルを、誰でも開いて試せるライブなインタラクティブ Web アプリにします。

次のプロンプトを貼り付けます：

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 には Sites という機能があり、プロジェクトから直接 Web アプリを構築・デプロイできます。

このプロンプトを送ると、まずモデル出力を UI 要件に合わせ、続いて HTML・JavaScript・CSS を用いてアプリケーションを作成します。

テスト用のリンクも提供されます。この工程は、ユーザー入力に即時反応する洗練されたインターフェースにモデル予測を組み込むため、最も時間がかかります。

リンクをクリックすると、ChatGPT の画面内で Web アプリが開きます。年齢、在籍年数、口座残高、給与など、すべての顧客特徴の入力欄が表示されます。

値を入力してテストすると、ミリ秒単位で、残留か離反かの予測と離反確率が返ってきます。

応答は正確かつ高速で、実際のユーザーデータに対するモデルの動きを実感できます。

バックエンドコードを一行も書かず、サーバーの準備も不要なまま、実ユーザー向けの検証が可能です。

ステップ 7：ChatGPT Work から最終プロジェクトとレポートをエクスポート

完成度の高いプロジェクトには、わかりやすいまとめが欠かせません。ここでは、生データからライブ予測に至るまでの全工程を1つのプロフェッショナルなドキュメントに集約します。

次のプロンプトを貼り付けます：

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.

プロンプト送信後、ChatGPT Work はプロジェクト全体を1つの PDF にまとめます。

検証済みの分析、モデル結果、評価チャート、ライブ Web インターフェースのスクリーンショットを収集する進捗が表示されます。

また、動作検証として、残留予測・離反予測それぞれの例を示す2つの顧客プロファイルも生成します。

完了すると、Outputs パネルに最終レポートの PDF が表示されます。

レポートには、データ監査、探索的分析、可視化、モデル学習、モデル比較、最終評価、主な知見、制約、インターフェースの使い方、2つの動作例が含まれます。

ChatGPT Work 上で直接開くことも、ダウンロードして共有することもできます。

ChatGPT Work はプロジェクトの全ファイルを Outputs パネルに保持しますが、1つずつダウンロードするのは手間です。

最も簡単なのは、すべてを適切なフォルダ構成で1つの ZIP にまとめるよう依頼する方法です。

次のプロンプトを貼り付けます：

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. 

プロンプト送信後、ChatGPT Work は生成物をすべて収集し、data、visualizations、reports、modeling、evaluation、web_interface のようなフォルダに整理します。

ダウンロード後はローカルで展開し、クレンジング済みデータセットから最終的なライブ予測アプリまで、プロジェクトのあらゆる成果物を確認できます。

まとめ

ChatGPT Work は、データサイエンスの進め方を変える存在だと思います。

インストールや環境構築、依存関係の悩みとは無縁で、すべてがブラウザ内で完結します。

ファイルをアップロードし、プロンプトを送るだけで、データのクレンジング、グラフ作成、モデル学習、ライブアプリのデプロイまでが一気通貫で進みます。

使い心地は Claude Code にも似ていますが、違いは速度とシンプルさです。設定は不要、パッケージ管理も不要、カーネルの起動待ちもありません。

ただ話しかけるだけで、作業が進みます。

モデルはデータを分析し、自ら学習し、自ら評価し、すぐに共有・検証できる Web インターフェースを通じて自ら提供します。

ローカル環境での VS Code や拡張機能、散在するノートブックと比べると、別世界のようです。環境がディスク容量を圧迫することも、バージョン衝突も、10個のツール間を行き来することもありません。ひとつの場所に留まり、プロジェクトのほうが周囲に育っていきます。

ターミナルに触れることなく、生データから動く予測デモまで最短で到達したい方にとって、GPT-5.6 を搭載した ChatGPT Work は最速の選択肢です。