Ghid ChatGPT Work cu GPT-5.6: Data science cap-coadă în browserul tău

GPT-5.6 este cea mai nouă familie de modele OpenAI, disponibilă în trei niveluri: Sol pentru raționament avansat, Terra pentru muncă echilibrată de zi cu zi și Luna pentru sarcini rapide și ușoare.

Alături de acesta, OpenAI a lansat ChatGPT Work, un spațiu de lucru în ChatGPT conceput pentru fluxuri de lucru multi-pas, bazate pe fișiere.

ChatGPT Work îți permite să încarci fișiere, să menții contextul între prompturi și să generezi cod, vizualizări și instrumente interactive, direct în browser, fără configurare locală.

În acest ghid, îți voi arăta cum să construiești un proiect complet de predicție a churn-ului clienților unei bănci, integral în ChatGPT Work. 

Vom încărca un set de date din lumea reală, vom audita și curăța datele și le vom explora cu vizualizări.

Apoi vom antrena și compara mai multe modele de machine learning, vom evalua cel mai performant și vom livra o interfață web interactivă pentru predicții de churn în timp real.

La final, vei avea un pachet complet de proiect cu date curățate, grafice, rezultate de model și un demo funcțional, toate create fără să părăsești browserul.

Ce este ChatGPT Work?

ChatGPT Work este un agent dedicat în ChatGPT, conceput pentru sarcini ambițioase, multi-pas, care depășesc cu mult simplul întrebări-răspunsuri. 

Poate aduna informații din aplicațiile și fluxurile tale de lucru, poate crea materiale finale precum foi de calcul, prezentări, documente și aplicații web și poate rămâne pe proiecte complexe ore întregi, împărțindu-le în pași mai mici și finalizându-i independent.

Cu tehnologia Codex integrată, ChatGPT Work trece dincolo de a răspunde la întrebări și chiar rezolvă muncă reală pe web, mobil și desktop. 

Poți urmări progresul, poți răspunde la întrebări, schimba direcția și aproba acțiuni importante pe măsură ce lucrează.

ChatGPT Work este alimentat de GPT-5.6, ceea ce îl face de ultimă generație în raționarea prin sarcini multi-pas și în crearea de materiale care respectă șabloanele și fișierele tale de referință. 

Suportă și sarcini programate (Scheduled Tasks), astfel încât poate menține proiectele în mișcare chiar și când ești plecat, de exemplu transformând mesaje noi din Teams sau Slack în documente actualizate și partajând schimbările cu echipa ta.

Pasul 1: Încărcarea seturilor de date în ChatGPT Work

Orice proiect de data science începe cu datele. În acest pas, vom crea un spațiu de lucru dedicat în ChatGPT Work și vom aduce setul de date despre churn-ul clienților băncii, ca să putem începe lucrul cu el.

Deschide ChatGPT în browser și dă click pe fila Work. Apoi apasă Choose Project în stânga jos a chatului, selectează New project și numește-l Bank Customer Churn Prediction.

Asigură-te și că este selectat GPT 5.6 Sol Light, deoarece aceasta e o sarcină simplă și nu avem nevoie de raționament avansat. 

Interfața ar trebui să arate fila Work activă, numele proiectului în partea de jos a chatului și lista de selecție a modelului setată pe 5.6 Sol Light.

În continuare, descarcă Churn_Modelling.csv de pe Kaggle. 

Pentru a-l încărca, apasă pe pictograma plus (+) din zona de introducere a mesajului, selectează fișierul de pe calculator și atașează-l conversației. Fișierul ar trebui să apară ca un card de tip foaie de calcul deasupra câmpului de input, gata de trimis. 

Pasul 2: Auditarea și curățarea datelor cu GPT-5.6

Datele brute sunt rareori perfecte. Înainte să construim orice model, trebuie să înțelegem cu ce lucrăm și să remediem problemele care pot denatura rezultatele. 

Lipește acest prompt în căsuța de input și apasă 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.

După trimiterea promptului, ChatGPT Work își va folosi aptitudinile și instrumentele integrate pentru a citi setul de date, a înțelege structura și a oferi un rezumat de audit structurat.

Poți explora și diferiții pași pe care i-a făcut ChatGPT Work pentru a ajunge la acest rezumat de audit. 

Acești pași sunt vizibili în firul conversației și arată cum a analizat modelul datele, a aplicat reguli de validare și a ajuns la fiecare concluzie. 

În dreapta sus a chatului, apasă butonul cu puncte pentru a deschide panoul Outputs. 

Acest panou va afișa două fișiere generate: un fișier CSV curățat și un raport complet de audit în format markdown.

Pasul 3: Crearea de vizualizări de date în mediul ChatGPT Work

Numerele singure nu spun toată povestea. În acest pas, vom transforma datele curățate în diagrame și grafice care scot la iveală tipare în churn-ul clienților.

Vom crea o serie de vizualizări care arată distribuția generală a churn-ului, descompun ratele de churn pe segmente diferite de clienți și compară variabile numerice între clienții care au rămas și cei care au plecat. 

Vom genera, de asemenea, o hartă de căldură a corelațiilor pentru a vedea cum se leagă între ele variabilele numerice.

Lipește acest 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.

Ca rezultat, ChatGPT Work va genera cod Python pentru a efectua analiza și a crea toate vizualizările. Apoi va compila totul într-un raport PDF profesional. Raportul va include fiecare grafic cu explicația lui, plus un rezumat al constatărilor-cheie.

Poți explora fișierele generate direct în ChatGPT Work sau le poți descărca pentru a le revizui local. 

Panoul Outputs va lista raportul PDF împreună cu orice fișiere individuale de grafice sau notebook-uri de cod create în timpul procesului.

Pasul 4: Construirea și compararea modelelor

Acum că înțelegem datele, e timpul să antrenăm modele care pot prezice ce clienți sunt probabil să plece. 

Vom construi un pipeline corect de machine learning, vom compara mai mulți algoritmi și îl vom alege pe cel mai bun pe baza unor metrici solide.

Lipește acest 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.

După trimiterea promptului, ChatGPT Work va genera un script reproductibil de pipeline scikit-learn și îl va rula.

Vei vedea actualizări de progres în firul conversației pentru fiecare etapă: verificarea bibliotecilor, rularea pipeline-ului, efectuarea cross-validation doar pe setul de antrenament și verificarea rezultatelor finale.

La final, vei vedea un tabel de comparație curat cu toate cele patru modele, ordonate după metrici. 

Tabelul include acuratețea, precizia, recall-ul, F1, ROC-AUC și PR-AUC pentru fiecare model. 

În acest proiect, modelul de Gradient Boosting iese în evidență ca cel mai puternic, conducând la PR-AUC și ROC-AUC.

Pasul 5: Evaluarea performanței modelului predictiv

Cu cel mai bun model selectat, trebuie acum să vedem cât de bine se descurcă pe date pe care nu le-a mai văzut. 

Vom rula o evaluare completă pe setul de test neatins și vom crea vizualizări care fac rezultatele ușor de înțeles.

Lipește acest 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.

După trimiterea promptului, ChatGPT Work va evalua modelul Gradient Boosting pe setul de test reținut și va genera un raport PDF cuprinzător. 

Raportul va include patru vizualizări. 

• Harta de căldură a matricei de confuzie arată dintr-o privire numărul de predicții corecte și greșite. 
• Curba ROC ilustrează cât de bine separă modelul churnerii de non-churneri la diverse praguri. 
• Curba precision-recall evidențiază compromisurile între a prinde churnerii și a evita alarmele false. 
• Graficul importanței caracteristicilor clasează variabilele pe care s-a bazat cel mai mult modelul, vârsta, numărul de produse, statutul de membru activ, soldul contului și geografia apărând, de obicei, ca factori de top.

Pasul 6: Publicarea aplicațiilor web direct prin ChatGPT Work Sites

Un model care trăiește doar într-un raport e greu de partajat. În acest pas, vom transforma predictorul nostru de churn antrenat într-o aplicație web live și interactivă pe care oricine o poate deschide și testa.

Lipește acest 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 include o funcție numită Sites, care îți permite să construiești și să publici aplicații web direct din proiectul tău. 

Când trimiți acest prompt, ChatGPT Work va alinia mai întâi ieșirea modelului cu cerințele UI, apoi va folosi HTML, JavaScript și CSS pentru a crea aplicația.

Îți va furniza și un link pentru testare. Acest pas durează cel mai mult, deoarece implică conectarea predicțiilor modelului la o interfață finisată care răspunde instant la inputul utilizatorului.

Când dai click pe link, aplicația web se va deschide în interfața ChatGPT. Vei vedea câmpuri de input pentru toate caracteristicile clientului, precum vârsta, vechimea, soldul contului și salariul. 

O poți testa introducând valori diferite și, în câteva milisecunde, vei primi rezultatul predicției care arată dacă clientul e probabil să rămână sau să plece, împreună cu probabilitatea de churn.

Răspunsul este precis și rapid, oferindu-ți o senzație reală a modului în care performează modelul cu date de la utilizatori reali.

Astfel, îți poți valida modelul pentru utilizatori reali fără să scrii o singură linie de cod backend sau să configurezi servere.

Pasul 7: Exportarea proiectului final și a rapoartelor din ChatGPT Work

Orice proiect solid merită un rezumat curat. În acest pas, vom aduna tot ce am construit într-un singur document profesionist care spune întreaga poveste, de la date brute la predicții live.

Lipește acest 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.

După trimiterea promptului, ChatGPT Work va combina întregul proiect într-un singur PDF. 

Vei vedea actualizări de progres care arată cum adună analiza verificată, rezultatele modelului, graficele de evaluare și capturile de ecran ale interfeței web live. 

Va genera și două profiluri de clienți exemplu, unul cu predicție de rămânere și unul cu predicție de plecare, pentru a demonstra că demo-ul funcționează.

La final, panoul Outputs va lista raportul final în PDF. 

Raportul acoperă auditul datelor, analiza exploratorie, vizualizările, antrenarea modelelor, compararea modelelor, evaluarea finală, constatările-cheie, limitările, instrucțiunile de utilizare a interfeței și cele două exemple funcționale de predicție. 

Îl poți deschide direct în ChatGPT Work sau îl poți descărca pentru a-l partaja.

ChatGPT Work păstrează toate fișierele proiectului în panoul Outputs, dar descărcarea lor unul câte unul poate fi anevoioasă. 

Cel mai simplu mod de a le obține pe toate odată este să-i ceri lui ChatGPT Work să le strângă într-un singur fișier ZIP cu foldere adecvate.

Lipește promptul: 

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. 

După trimiterea promptului, ChatGPT Work va aduna fiecare fișier generat și le va organiza în foldere precum data, visualizations, reports, modeling, evaluation și web_interface. 

După descărcare, îl poți extrage local și poți răsfoi fiecare artefact al proiectului, de la setul de date curățat la aplicația finală de predicție live. 

Gânduri finale

Cred că ChatGPT Work schimbă modul în care se face data science.

Totul se întâmplă în browser, fără instalări, configurări de mediu sau bătăi de cap cu dependențe. 

Încarci un fișier, trimiți un prompt și îl vezi cum curăță date, construiește grafice, antrenează modele și publică o aplicație live într-un singur flux.

Se simte similar cu instrumente precum Claude Code, dar diferența este viteza și simplitatea. Nu trebuie să configurezi nimic. Nu sunt pachete de gestionat. Nu aștepți pornirea kernelurilor. 

Pur și simplu vorbești cu el și el construiește. 

Modelul îți analizează datele, se antrenează, se evaluează, apoi se servește singur printr-o interfață web pe care o poți partaja sau testa instant.

Comparat cu setările locale cu VS Code, extensii și notebook-uri împrăștiate, simt că e o altă lume. Nu ai spațiu pe disc mâncat de medii. Nici conflicte de versiune. Nici comutare de context între zece instrumente diferite. Rămâi într-un singur loc și proiectul crește în jurul tău.

Pentru oricine vrea să treacă de la date brute la un demo funcțional de predicție fără să atingă terminalul, ChatGPT Work cu GPT-5.6 este cea mai rapidă cale.