ChatGPT Work z GPT-5.6: przewodnik po end-to-end data science w przeglądarce

GPT-5.6 to najnowsza rodzina modeli OpenAI, dostępna w trzech wariantach: Sol do głębokiego rozumowania, Terra do zrównoważonej pracy na co dzień oraz Luna do szybkich, lekkich zadań.

Równolegle OpenAI udostępniło ChatGPT Work, przestrzeń roboczą w ChatGPT zbudowaną pod wieloetapowe, plikowe workflowy.

ChatGPT Work pozwala przesyłać pliki, utrzymywać kontekst między promptami oraz generować kod, wizualizacje i interaktywne narzędzia — wszystko w przeglądarce, bez lokalnej konfiguracji.

W tym przewodniku pokażę ci, jak zbudować kompletny projekt przewidywania odejść klientów banku całkowicie w ChatGPT Work. 

Wczytamy rzeczywisty zbiór danych, przeprowadzimy audyt i czyszczenie, a następnie zbadamy go za pomocą wizualizacji.

Potem wytrenujemy i porównamy wiele modeli uczenia maszynowego, ocenimy najlepszy i wdrożymy interfejs webowy do prognoz odejść w czasie rzeczywistym.

Na końcu będziesz mieć pełny pakiet projektu z wyczyszczonymi danymi, wykresami, wynikami modeli i działającym demem — wszystko stworzone bez wychodzenia z przeglądarki.

Czym jest ChatGPT Work?

ChatGPT Work to dedykowany agent w ChatGPT zaprojektowany do ambitnych, wieloetapowych zadań wykraczających daleko poza proste pytania i odpowiedzi. 

Potrafi zbierać informacje z twoich aplikacji i workflowów, tworzyć gotowe materiały, takie jak arkusze, slajdy, dokumenty i aplikacje webowe, a także prowadzić złożone projekty godzinami, dzieląc je na mniejsze kroki i realizując je samodzielnie.

Dzięki wbudowanej technologii Codex ChatGPT Work wychodzi poza odpowiadanie na pytania, wykonując realną pracę w sieci, na urządzeniach mobilnych i desktopie. 

Możesz śledzić postęp, odpowiadać na pytania, zmieniać kierunek i zatwierdzać ważne działania w trakcie pracy.

ChatGPT Work działa na GPT-5.6, co czyni go najlepszym w rozumowaniu wieloetapowych zadań i tworzeniu materiałów zgodnych z twoimi szablonami i plikami referencyjnymi. 

Obsługuje też Zadania zaplanowane, więc może pchać projekt do przodu nawet, gdy cię nie ma — np. zamieniając nowe wiadomości z Teams lub Slacka na zaktualizowane dokumenty i udostępniając zmiany zespołowi.

Krok 1: Wgrywanie zbiorów danych do ChatGPT Work

Każdy projekt data science zaczyna się od danych. W tym kroku utworzymy dedykowaną przestrzeń roboczą w ChatGPT Work i dodamy zbiór danych o odejściach klientów banku, aby zacząć z nim pracować.

Otwórz ChatGPT w przeglądarce i kliknij kartę Work. Następnie kliknij Choose Project w lewym dolnym rogu czatu, wybierz New project, nazwij go Bank Customer Churn Prediction.

Upewnij się też, że wybrano GPT 5.6 Sol Light, bo to proste zadanie i nie potrzebujemy zaawansowanego rozumowania. 

Interfejs powinien pokazywać aktywną kartę Work, nazwę projektu na dole czatu i rozwijane menu modelu ustawione na 5.6 Sol Light.

Następnie pobierz plik Churn_Modelling.csv z Kaggle. 

Aby go wgrać, kliknij ikonę plus (+) w polu wpisywania wiadomości, wybierz plik z komputera i dołącz go do rozmowy. Plik pojawi się jako karta arkusza nad polem wprowadzania i będzie gotowy do wysłania. 

Krok 2: Audyt i czyszczenie danych z GPT-5.6

Surowe dane rzadko są idealne. Zanim zbudujemy jakiekolwiek modele, musimy zrozumieć, z czym pracujemy, i naprawić problemy, które mogłyby zniekształcić wyniki. 

Wklej ten prompt w pole wprowadzania i wciśnij Enter:

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.

Po wysłaniu promptu ChatGPT Work użyje wbudowanych umiejętności i narzędzi, aby wczytać zbiór danych, zrozumieć jego strukturę i dostarczyć uporządkowane podsumowanie audytu.

Możesz też prześledzić poszczególne kroki, które ChatGPT Work wykonał, aby dojść do tego podsumowania audytu. 

Kroki są widoczne w wątku rozmowy i pokazują, jak model analizował dane, stosował reguły walidacji i dochodził do każdego wniosku. 

W prawym górnym rogu czatu kliknij przycisk z wypunktowaniem, aby otworzyć panel Outputs. 

Panel pokaże dwa wygenerowane pliki: wyczyszczony plik CSV i pełny raport z audytu w formacie markdown.

Krok 3: Tworzenie wizualizacji danych w środowisku ChatGPT Work

Same liczby nie opowiadają całej historii. W tym kroku zamienimy wyczyszczone dane na wykresy i grafy, które pokażą wzorce odejść klientów.

Stworzymy serię wizualizacji pokazujących ogólny rozkład odejść, rozbijających wskaźniki odejść według segmentów klientów oraz porównujących cechy numeryczne między tymi, którzy zostali, a tymi, którzy odeszli. 

Wygenerujemy też mapę korelacji, aby zobaczyć, jak zmienne liczbowe mają się do siebie.

Wklej ten prompt:

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.

W efekcie ChatGPT Work wygeneruje kod Pythona do analizy i utworzy wszystkie wizualizacje. Następnie złoży wszystko w profesjonalny raport PDF. Raport zawiera każdy wykres z objaśnieniem oraz podsumowanie kluczowych wniosków.

Wygenerowane pliki możesz przeglądać bezpośrednio w ChatGPT Work lub pobrać je lokalnie. 

Panel Outputs pokaże raport PDF wraz z pojedynczymi plikami wykresów lub notatnikami z kodem utworzonymi po drodze.

Krok 4: Budowanie i porównywanie modeli

Skoro rozumiemy dane, czas wytrenować modele przewidujące, którzy klienci mogą odejść. 

Zbudujemy właściwy pipeline uczenia maszynowego, porównamy kilka algorytmów i wybierzemy najlepszy na podstawie solidnych metryk.

Wklej ten prompt:

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.

Po wysłaniu promptu ChatGPT Work wygeneruje odtwarzalny skrypt pipeline’u scikit-learn i uruchomi go.

Zobaczysz aktualizacje postępu w wątku rozmowy pokazujące każdy etap: sprawdzanie bibliotek, uruchamianie pipeline’u, walidację krzyżową wyłącznie na zbiorze treningowym i weryfikację wyników końcowych.

Po zakończeniu zobaczysz przejrzystą tabelę porównawczą ze wszystkimi czterema modelami uszeregowanymi według metryk. 

Tabela zawiera accuracy, precision, recall, F1, ROC-AUC i PR-AUC dla każdego modelu. 

W tym projekcie model Gradient Boosting okazuje się najsilniejszy, prowadząc w PR-AUC i ROC-AUC.

Krok 5: Ocena jakości modelu predykcyjnego

Po wybraniu najlepszego modelu musimy sprawdzić, jak radzi sobie na danych, których wcześniej nie widział. 

Przeprowadzimy pełną ewaluację na nietkniętym zbiorze testowym i stworzymy wizualizacje ułatwiające interpretację wyników.

Wklej ten prompt:

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.

Po wysłaniu promptu ChatGPT Work oceni model Gradient Boosting na wydzielonym zbiorze testowym i wygeneruje kompleksowy raport PDF. 

Raport zawiera cztery wizualizacje. 

• Mapa cieplna macierzy pomyłek pokazuje liczbę trafnych i nietrafnych predykcji na pierwszy rzut oka. 
• Krzywa ROC ilustruje, jak dobrze model oddziela odchodzących od pozostających przy różnych progach. 
• Krzywa precision-recall podkreśla kompromis między wyłapywaniem odchodzących a unikaniem fałszywych alarmów. 
• Wykres ważności cech szereguje zmienne, na których model polegał najbardziej — zazwyczaj w czołówce są wiek, liczba produktów, status aktywnego członka, saldo konta i geografia.

Krok 6: Wdrażanie aplikacji webowych bezpośrednio przez ChatGPT Work Sites

Model zamknięty w raporcie trudno udostępnić. W tym kroku zamienimy nasz wytrenowany predyktor odejść w działającą, interaktywną aplikację webową, którą każdy może otworzyć i przetestować.

Wklej ten prompt:

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 ma funkcję Sites, która pozwala budować i wdrażać aplikacje webowe bezpośrednio z twojego projektu. 

Po wysłaniu tego promptu ChatGPT Work najpierw dopasuje wyjście modelu do wymagań interfejsu, a następnie zbuduje aplikację w HTML, JavaScript i CSS.

Otrzymasz też link do testów. Ten krok trwa najdłużej, bo polega na połączeniu predykcji modelu z dopracowanym interfejsem, który natychmiast reaguje na dane użytkownika.

Po kliknięciu linku aplikacja otworzy się w interfejsie ChatGPT. Zobaczysz pola wprowadzania dla wszystkich cech klienta, takich jak wiek, staż, saldo konta i wynagrodzenie. 

Możesz ją testować, wpisując różne wartości — w ciągu milisekund dostaniesz wynik pokazujący, czy klient prawdopodobnie zostanie czy odejdzie, wraz z prawdopodobieństwem odejścia.

Odpowiedź jest trafna i szybka, dając realne poczucie, jak model działa na danych użytkownika.

Dzięki temu możesz zweryfikować model na prawdziwych użytkownikach bez pisania ani jednej linijki backendu czy stawiania serwerów.

Krok 7: Eksport końcowego projektu i raportów z ChatGPT Work

Każdy solidny projekt zasługuje na zgrabne podsumowanie. W tym kroku zbierzemy wszystko, co zbudowaliśmy, w jeden profesjonalny dokument, który opowie pełną historię — od surowych danych po działające predykcje.

Wklej ten prompt:

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.

Po wysłaniu promptu ChatGPT Work połączy cały projekt w jeden plik PDF. 

Zobaczysz aktualizacje postępu pokazujące, jak zbiera zweryfikowaną analizę, wyniki modeli, wykresy oceny i zrzuty ekranu z interfejsu webowego. 

Wygeneruje też dwa przykładowe profile klientów — jeden z predykcją pozostania, drugi z predykcją odejścia — aby pokazać, że demo działa.

Po zakończeniu panel Outputs wyświetli finalny raport PDF. 

Raport obejmuje audyt danych, analizę eksploracyjną, wizualizacje, trening modeli, porównanie modeli, ocenę końcową, kluczowe wnioski, ograniczenia, instrukcje obsługi interfejsu oraz dwa działające przykłady predykcji. 

Możesz otworzyć go bezpośrednio w ChatGPT Work lub pobrać i udostępnić innym.

ChatGPT Work przechowuje wszystkie pliki projektu w panelu Outputs, ale pobieranie ich pojedynczo bywa uciążliwe. 

Najłatwiej poprosić ChatGPT Work o spakowanie wszystkiego do jednego pliku ZIP z odpowiednimi folderami.

Wklej prompt: 

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. 

Po wysłaniu promptu ChatGPT Work zbierze wszystkie wygenerowane pliki i uporządkuje je w foldery, takie jak data, visualizations, reports, modeling, evaluation i web_interface. 

Po pobraniu możesz rozpakować archiwum lokalnie i przejrzeć wszystkie artefakty projektu — od oryginalnego wyczyszczonego zbioru danych po finalną działającą aplikację predykcyjną. 

Na zakończenie

Uważam, że ChatGPT Work zmienia sposób, w jaki wykonuje się data science.

Wszystko dzieje się w przeglądarce, bez instalacji, konfiguracji środowisk i problemów z zależnościami. 

Wgrywasz plik, wysyłasz prompt i obserwujesz, jak czyści dane, buduje wykresy, trenuje modele i wdraża działającą aplikację — w jednym ciągu.

To przypomina narzędzia takie jak Claude Code, ale różnicą są szybkość i prostota. Nic nie musisz konfigurować. Nie ma pakietów do zarządzania. Nie czekasz na uruchomienie jąder. 

Po prostu rozmawiasz, a ono buduje. 

Model analizuje twoje dane, trenuje się, ocenia, a następnie serwuje się przez interfejs webowy, który możesz natychmiast udostępnić lub przetestować.

W porównaniu z lokalnymi setupami z VS Code, rozszerzeniami i rozproszonymi notatnikami, to dla mnie inny świat. Żadnego zjadania miejsca przez środowiska. Brak konfliktów wersji. Zero przełączania kontekstu między dziesięcioma narzędziami. Zostajesz w jednym miejscu, a projekt rośnie wokół ciebie.

Dla każdego, kto chce przejść od surowych danych do działającego dema predykcji bez dotykania terminala, ChatGPT Work z GPT-5.6 to najszybsza droga.