Руководство по ChatGPT Work с GPT-5.6: сквозная дата-сайенс-разработка в браузере

GPT-5.6 — последнее семейство моделей OpenAI, доступное в трех уровнях: Sol для глубокого рассуждения, Terra для сбалансированной повседневной работы и Luna для быстрых и легковесных задач.

Одновременно с ним OpenAI выпустила ChatGPT Work — рабочее пространство внутри ChatGPT, созданное для многошаговых, файловых рабочих процессов.

ChatGPT Work позволяет загружать файлы, сохранять контекст между запросами и создавать код, визуализации и интерактивные инструменты — все в браузере, без локальной настройки.

В этом руководстве я покажу, как полностью внутри ChatGPT Work построить проект по прогнозированию оттока банковских клиентов. 

Мы загрузим реальный датасет, проведем аудит и очистку данных и изучим их с помощью визуализаций.

Затем обучим и сравним несколько моделей машинного обучения, оценим лучшую и развернем интерактивный веб-интерфейс для прогнозов оттока в реальном времени.

В итоге у вас будет полный пакет проекта с очищенными данными, диаграммами, результатами моделей и рабочим демо — все создано, не покидая браузер.

Что такое ChatGPT Work?

ChatGPT Work — это специализированный агент внутри ChatGPT, предназначенный для амбициозных многошаговых задач, которые выходят далеко за рамки простого формата вопросов и ответов. 

Он может собирать информацию из ваших приложений и рабочих процессов, создавать готовые материалы — таблицы, слайды, документы и веб‑приложения — и сопровождать сложные проекты часами, разбивая их на шаги и выполняя их автономно.

Благодаря встроенной технологии Codex ChatGPT Work выходит за рамки ответов на вопросы и выполняет реальную работу в вебе, на мобильных устройствах и на десктопе. 

Вы можете следить за его прогрессом, отвечать на вопросы, менять направление и одобрять важные действия в процессе работы.

ChatGPT Work работает на GPT-5.6, что делает его передовым в рассуждениях над многошаговыми задачами и создании материалов по вашим шаблонам и референсам. 

Он также поддерживает Запланированные задачи, поэтому проекты продолжают двигаться даже в ваше отсутствие — например, новые сообщения из Teams или Slack превращаются в обновленные документы с автоматическим информированием команды.

Шаг 1. Загрузка датасетов в ChatGPT Work

Любой проект в области данных начинается с самих данных. На этом шаге мы создадим отдельное рабочее пространство в ChatGPT Work и добавим датасет по оттоку банковских клиентов, чтобы приступить к работе.

Откройте ChatGPT в браузере и нажмите вкладку Work. Затем нажмите Choose Project в левом нижнем углу чата, выберите New project и назовите его Bank Customer Churn Prediction.

Также убедитесь, что выбран GPT 5.6 Sol Light, так как задача простая и высокая глубина рассуждений не требуется. 

В интерфейсе должна быть активна вкладка Work, внизу чата — название вашего проекта, а в выпадающем списке модели — 5.6 Sol Light.

Далее скачайте Churn_Modelling.csv с Kaggle. 

Чтобы загрузить файл, нажмите значок плюса (+) в поле ввода сообщения, выберите файл на компьютере и прикрепите его к беседе. Файл появится в виде карточки таблицы над полем ввода и будет готов к отправке. 

Шаг 2. Аудит и очистка данных с GPT-5.6

Сырые данные редко идеальны. Прежде чем строить модели, нужно понять, с чем мы имеем дело, и исправить проблемы, которые могут исказить результаты. 

Вставьте этот промпт в поле ввода и нажмите 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.

После отправки промпта ChatGPT Work с помощью встроенных навыков и инструментов прочитает датасет, поймет его структуру и предоставит структурированное резюме аудита.

Вы также можете изучить шаги, которые предпринял ChatGPT Work, чтобы подготовить эту сводку аудита. 

Они видны в ветке диалога и показывают, как модель анализировала данные, применяла правила валидации и приходила к каждому выводу. 

В правом верхнем углу чата нажмите кнопку с маркерами, чтобы открыть панель Outputs. 

На этой панели будут два сгенерированных файла: очищенный CSV и полный отчет об аудите в формате Markdown.

Шаг 3. Создание визуализаций данных в среде ChatGPT Work

Одних чисел недостаточно. На этом шаге мы превратим очищенные данные в диаграммы и графики, раскрывающие закономерности в оттоке клиентов.

Мы создадим серию визуализаций: общую распределенную картину оттока, разбиение показателей по различным сегментам клиентов и сравнение числовых признаков между оставшимися и ушедшими клиентами. 

Также построим тепловую карту корреляций, чтобы увидеть взаимосвязи между числовыми переменными.

Вставьте этот промпт:

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.

В результате ChatGPT Work сгенерирует код на Python для анализа и создания всех визуализаций. Затем он соберет все в профессиональный PDF-отчет. В отчете будут представлены все графики с объяснениями и сводка ключевых выводов.

Вы можете изучать сгенерированные файлы прямо в ChatGPT Work или скачать их для локального просмотра. 

Панель Outputs отобразит PDF-отчет, а также отдельные файлы графиков или ноутбуки с кодом, созданные в процессе.

Шаг 4. Построение и сравнение моделей

Теперь, когда мы поняли данные, пора обучить модели, которые смогут предсказывать, какие клиенты вероятнее всего уйдут. 

Мы построим корректный конвейер машинного обучения, сравним несколько алгоритмов и выберем лучший по надежным метрикам.

Вставьте этот промпт:

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.

После отправки промпта ChatGPT Work сгенерирует воспроизводимый скрипт конвейера scikit-learn и запустит его.

В ветке диалога вы увидите обновления о ходе выполнения каждого этапа: проверка библиотек, запуск конвейера, кросс‑валидация только на обучающей выборке и проверка финальных результатов.

По завершении вы увидите аккуратную сравнительную таблицу, где все четыре модели ранжированы по метрикам. 

Таблица включает accuracy, precision, recall, F1, ROC-AUC и PR-AUC для каждой модели. 

В этом проекте модель градиентного бустинга становится лидером, показывая лучшие PR-AUC и ROC-AUC.

Шаг 5. Оценка качества предсказательной модели

Выбрав лучшую модель, теперь нужно проверить, насколько хорошо она работает на данных, которых раньше не видела. 

Мы проведем полную оценку на нетронутой тестовой выборке и создадим визуализации, упрощающие понимание результатов.

Вставьте этот промпт:

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.

После отправки промпта ChatGPT Work оценит модель градиентного бустинга на отложенной тестовой выборке и сформирует подробный PDF-отчет. 

Отчет включает четыре визуализации. 

• Тепловая карта матрицы ошибок показывает количество верных и ошибочных предсказаний одним взглядом. 
• ROC‑кривая иллюстрирует, насколько хорошо модель разделяет ушедших и оставшихся клиентов при разных порогах. 
• Кривая precision‑recall показывает компромисс между обнаружением ушедших и избежанием ложных срабатываний. 
• Диаграмма важности признаков ранжирует переменные, на которые модель опиралась больше всего; обычно в топе оказываются возраст, число продуктов, статус активного клиента, остаток на счете и география.

Шаг 6. Развертывание веб‑приложений напрямую через ChatGPT Work Sites

Модель, которая живет только в отчете, сложно распространять. На этом шаге мы превратим обученный предиктор оттока в живое интерактивное веб‑приложение, которое любой сможет открыть и протестировать.

Вставьте этот промпт:

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.

В ChatGPT Work есть функция Sites, которая позволяет строить и разворачивать веб‑приложения прямо из вашего проекта. 

Отправив этот промпт, ChatGPT Work сначала согласует вывод модели с требованиями интерфейса, затем создаст приложение с помощью HTML, JavaScript и CSS.

Он также предоставит ссылку для тестирования. Этот шаг самый длительный, так как требует связать предсказания модели с отполированным интерфейсом, мгновенно реагирующим на ввод пользователя.

При переходе по ссылке веб‑приложение откроется внутри интерфейса ChatGPT. Вы увидите поля ввода для всех признаков клиента — таких как возраст, стаж, остаток и зарплата. 

Вы можете тестировать его, вводя разные значения, и через миллисекунды получите результат: останется клиент или уйдет, а также вероятность оттока.

Ответ точен и быстр, что дает реальное ощущение работы модели с пользовательскими данными.

Так вы можете валидировать свою модель на реальных пользователях, не написав ни строчки бэкенд‑кода и не настраивая серверы.

Шаг 7. Экспорт итогового проекта и отчетов из ChatGPT Work

Каждый добротный проект заслуживает аккуратного резюме. На этом шаге мы соберем все созданное в один профессиональный документ, рассказывающий полную историю — от сырых данных до живых предсказаний.

Вставьте этот промпт:

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.

После отправки промпта ChatGPT Work объединит весь проект в один PDF. 

Вы увидите обновления о том, как он собирает проверенный анализ, результаты моделей, диаграммы оценки и скриншоты живого веб‑интерфейса. 

Он также сгенерирует два примера профилей клиентов — с прогнозом «остается» и «уходит», — чтобы показать работоспособность демо.

По завершении финальный PDF‑отчет появится на панели Outputs. 

Отчет охватывает аудит данных, разведочный анализ, визуализации, обучение моделей, их сравнение, финальную оценку, ключевые выводы, ограничения, инструкции по интерфейсу и два рабочих примера предсказаний. 

Его можно открыть прямо в ChatGPT Work или скачать для передачи другим.

ChatGPT Work хранит все файлы проекта на панели Outputs, но скачивать их по одному утомительно. 

Проще всего получить все сразу — попросить ChatGPT Work упаковать материалы в один ZIP‑архив с корректной структурой папок.

Вставьте промпт: 

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. 

После отправки промпта ChatGPT Work соберет все сгенерированные файлы и разложит их по папкам, например data, visualizations, reports, modeling, evaluation и web_interface. 

После скачивания вы можете распаковать его локально и просмотреть все артефакты проекта — от исходного очищенного датасета до финального живого приложения для предсказаний. 

Заключение

На мой взгляд, ChatGPT Work меняет подход к дата-сайенсу.

Все происходит в браузере — без установок, настройки окружений и проблем с зависимостями. 

Вы загружаете файл, отправляете промпт и наблюдаете, как он очищает данные, строит графики, обучает модели и разворачивает живое приложение — все в одном потоке.

Ощущения похожи на работу с Claude Code, но разница — в скорости и простоте. Ничего не нужно настраивать. Нет управляемых пакетов. Не приходится ждать запуска ядер. 

Вы просто общаетесь — и он строит. 

Модель анализирует ваши данные, обучает себя, оценивает и затем сама же публикует себя через веб‑интерфейс, который можно сразу поделиться или протестировать.

По сравнению с локальными установками VS Code, расширениями и разбросанными ноутбуками — это словно другой мир. Никакого места на диске, «съедаемого» окружениями. Никаких конфликтов версий. Никаких постоянных переключений между десятком инструментов. Вы остаетесь в одном месте — и проект растет вокруг вас.

Тем, кто хочет пройти путь от сырых данных до рабочего демо предсказаний, не прикасаясь к терминалу, ChatGPT Work с GPT-5.6 предлагает самый быстрый путь.