คู่มือ ChatGPT Work กับ GPT-5.6: วิทยาการข้อมูลครบวงจรในเบราว์เซอร์ของคุณ

GPT-5.6 คือกลุ่มโมเดลล่าสุดของ OpenAI โดยมีสามระดับ: Sol สำหรับการให้เหตุผลเชิงลึก Terra สำหรับงานประจำวันแบบสมดุล และ Luna สำหรับงานที่ต้องการความเร็วและน้ำหนักเบา

พร้อมกันนี้ OpenAI ได้เปิดตัว ChatGPT Work พื้นที่ทำงานภายใน ChatGPT ที่ออกแบบมาสำหรับเวิร์กโฟลว์หลายขั้นตอนที่ขับเคลื่อนด้วยไฟล์

ChatGPT Work ให้คุณอัปโหลดไฟล์ รักษาบริบทข้ามพรอมต์ และสร้างโค้ด ภาพข้อมูล และเครื่องมืออินเทอร์แอกทีฟ ทั้งหมดนี้ทำได้ในเบราว์เซอร์โดยไม่ต้องตั้งค่าใดๆ ในเครื่อง

ในคู่มือนี้ ฉันจะแสดงวิธีสร้างโปรเจ็กต์พยากรณ์การยกเลิกบริการของลูกค้าธนาคารครบวงจรทั้งหมดภายใน ChatGPT Work 

เราจะอัปโหลดชุดข้อมูลจริง ตรวจสอบและทำความสะอาดข้อมูล และสำรวจด้วยภาพข้อมูล

จากนั้นจะฝึกและเปรียบเทียบโมเดลแมชชีนเลิร์นนิงหลายตัว ประเมินตัวที่ทำผลงานดีที่สุด และปรับใช้ส่วนติดต่อเว็บแบบอินเทอร์แอกทีฟสำหรับการพยากรณ์แบบเรียลไทม์

เมื่อจบ คุณจะได้แพ็กเกจโปรเจ็กต์ครบชุดพร้อมข้อมูลที่ทำความสะอาดแล้ว กราฟ ผลลัพธ์โมเดล และเดโมที่ใช้งานได้จริง ทั้งหมดสร้างขึ้นโดยไม่ต้องออกจากเบราว์เซอร์เลย

ChatGPT Work คืออะไร?

ChatGPT Work คือ เอเจนต์เฉพาะทาง ภายใน ChatGPT ที่ออกแบบมาสำหรับงานหลายขั้นตอนที่ทะเยอทะยาน เกินกว่าการถามตอบง่ายๆ 

มันสามารถรวบรวมข้อมูลจากแอปและเวิร์กโฟลว์ของคุณ สร้างชิ้นงานสำเร็จรูปอย่างสเปรดชีต สไลด์ เอกสาร และเว็บแอป และอยู่กับโปรเจ็กต์ที่ซับซ้อนได้เป็นชั่วโมงๆ โดยแยกเป็นขั้นตอนย่อยและทำงานให้เสร็จเอง

ด้วยเทคโนโลยี Codex ที่ฝังอยู่ ChatGPT Work ก้าวข้ามการตอบคำถามไปสู่การทำงานจริงทั้งบนเว็บ มือถือ และเดสก์ท็อป 

คุณสามารถติดตามความคืบหน้า ตอบคำถาม เปลี่ยนทิศทาง และอนุมัติการดำเนินการสำคัญระหว่างที่มันทำงานได้

ChatGPT Work ขับเคลื่อนด้วย GPT-5.6 ทำให้โดดเด่นในการให้เหตุผลแบบหลายขั้นตอนและสร้างชิ้นงานที่สอดคล้องกับเทมเพลตและไฟล์อ้างอิงของคุณ 

ยังรองรับ Scheduled Tasks จึงผลักดันโปรเจ็กต์ให้เดินหน้าต่อแม้ระหว่างที่คุณไม่อยู่ เช่น แปลงข้อความใหม่จาก Teams หรือ Slack เป็นเอกสารที่อัปเดตและแชร์การเปลี่ยนแปลงกับทีม

ขั้นตอนที่ 1: อัปโหลดชุดข้อมูลเข้าสู่ ChatGPT Work

ทุกโปรเจ็กต์ด้านวิทยาการข้อมูลเริ่มจากข้อมูล ขั้นตอนนี้เราจะสร้างพื้นที่ทำงานเฉพาะใน ChatGPT Work และนำเข้าชุดข้อมูลการยกเลิกบริการของลูกค้าธนาคารเพื่อเริ่มทำงานกับมัน

เปิด ChatGPT ในเบราว์เซอร์แล้วคลิกแท็บ Work จากนั้นคลิก Choose Project ที่มุมซ้ายล่างของแชท เลือก New project ตั้งชื่อว่า Bank Customer Churn Prediction.

ตรวจสอบให้แน่ใจว่าเลือก GPT 5.6 Sol Light แล้ว เนื่องจากเป็นงานง่าย ไม่ต้องใช้การให้เหตุผลระดับสูง 

อินเทอร์เฟซควรแสดงแท็บ Work ที่ทำงานอยู่ ชื่อโปรเจ็กต์ของคุณที่ด้านล่างของแชท และดรอปดาวน์โมเดลตั้งค่าเป็น 5.6 Sol Light

ถัดไป ดาวน์โหลดไฟล์ Churn_Modelling.csv จาก Kaggle 

เพื่ออัปโหลด คลิกไอคอนบวก (+) ในช่องป้อนข้อความ เลือกไฟล์จากคอมพิวเตอร์ แล้วแนบเข้ากับบทสนทนา ไฟล์จะปรากฏเป็นการ์ดสเปรดชีตเหนือช่องป้อน พร้อมส่ง 

ขั้นตอนที่ 2: ตรวจสอบและทำความสะอาดข้อมูลด้วย GPT-5.6

ข้อมูลดิบแทบไม่เคยสมบูรณ์แบบ ก่อนสร้างโมเดล เราต้องเข้าใจสิ่งที่มีอยู่และแก้ไขปัญหาที่อาจบิดเบือนผลลัพธ์ 

วางพรอมต์นี้ลงในช่องป้อนแล้วกด 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.

หลังส่งพรอมต์ ChatGPT Work จะใช้ทักษะและเครื่องมือในตัวเพื่ออ่านชุดข้อมูล ทำความเข้าใจโครงสร้าง และให้สรุปผลการตรวจสอบอย่างเป็นระบบ

คุณยังสามารถสำรวจขั้นตอนต่างๆ ที่ ChatGPT Work ใช้เพื่อสร้างสรุปนี้ได้ด้วย 

ขั้นตอนเหล่านี้มองเห็นได้ในเธรดบทสนทนาและแสดงให้เห็นว่าระบบวิเคราะห์ข้อมูล ใช้กฎตรวจสอบความถูกต้อง และได้ข้อสรุปแต่ละข้ออย่างไร 

ที่มุมขวาบนของแชท คลิกปุ่มหัวข้อย่อยเพื่อเปิดแผง Outputs 

แผงนี้จะแสดงไฟล์ที่สร้างสองไฟล์: ไฟล์ CSV ที่ทำความสะอาดแล้ว และรายงานการตรวจสอบฉบับเต็มในรูปแบบมาร์กดาวน์

ขั้นตอนที่ 3: สร้างภาพข้อมูลในสภาพแวดล้อม ChatGPT Work

ตัวเลขอย่างเดียวไม่เล่าเรื่องทั้งหมด ขั้นตอนนี้เราจะเปลี่ยนข้อมูลที่ทำความสะอาดแล้วให้เป็นชาร์ตและกราฟเพื่อเผยให้เห็นรูปแบบของการยกเลิกบริการของลูกค้า

เราจะสร้างภาพข้อมูลชุดหนึ่งที่แสดงการกระจายของการยกเลิกโดยรวม แยกอัตราการยกเลิกตามกลุ่มลูกค้าที่ต่างกัน และเปรียบเทียบคุณลักษณะเชิงตัวเลขระหว่างลูกค้าที่อยู่ต่อและลูกค้าที่ออก 

นอกจากนี้ยังสร้างแผนที่ความร้อนของสหสัมพันธ์เพื่อดูว่าตัวแปรเชิงตัวเลขสัมพันธ์กันอย่างไร

วางพรอมต์นี้:

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.

ผลลัพธ์คือ ChatGPT Work จะสร้างโค้ด Python เพื่อทำการวิเคราะห์และสร้างภาพข้อมูลทั้งหมด จากนั้นจะรวบรวมทุกอย่างเป็นรายงาน PDF ในรูปแบบมืออาชีพ รายงานจะมีแต่ละกราฟพร้อมคำอธิบาย และสรุปข้อค้นพบสำคัญ

คุณสามารถสำรวจไฟล์ที่สร้างขึ้นได้โดยตรงภายใน ChatGPT Work หรือดาวน์โหลดไปตรวจดูในเครื่อง 

แผง Outputs จะแสดงรายงาน PDF พร้อมไฟล์กราฟรายชิ้นหรือสมุดโน้ตโค้ดที่สร้างระหว่างกระบวนการ

ขั้นตอนที่ 4: สร้างและเปรียบเทียบโมเดล

เมื่อเข้าใจข้อมูลแล้ว ถึงเวลาฝึกโมเดลเพื่อพยากรณ์ว่าลูกค้าคนใดมีแนวโน้มจะยกเลิกบริการ 

เราจะสร้างไปป์ไลน์แมชชีนเลิร์นนิงที่ถูกต้อง เปรียบเทียบอัลกอริทึมหลายแบบ และเลือกตัวที่ดีที่สุดตามเมตริกที่แข็งแรง

วางพรอมต์นี้:

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.

หลังส่งพรอมต์ ChatGPT Work จะสร้างสคริปต์ไปป์ไลน์ scikit-learn ที่ทำซ้ำได้และรันมัน

คุณจะเห็นอัปเดตความคืบหน้าในเธรด แสดงแต่ละช่วง: ตรวจสอบไลบรารี รันไปป์ไลน์ ทำครอสวาลิเดชันเฉพาะชุดฝึก และยืนยันผลสุดท้าย

เมื่อเสร็จสิ้น คุณจะเห็นตารางเปรียบเทียบที่เป็นระเบียบ โดยจัดอันดับทั้งสี่โมเดลตามเมตริก 

ตารางมีค่า accuracy, precision, recall, F1, ROC-AUC และ PR-AUC สำหรับแต่ละโมเดล 

ในโปรเจ็กต์นี้ โมเดล Gradient Boosting โดดเด่นที่สุด นำใน PR-AUC และ ROC-AUC

ขั้นตอนที่ 5: ประเมินประสิทธิภาพโมเดลพยากรณ์

เมื่อได้โมเดลที่ดีที่สุดแล้ว ต่อไปต้องดูว่ามันทำงานกับข้อมูลที่ไม่เคยเห็นมาก่อนดีเพียงใด 

เราจะทำการประเมินเต็มรูปแบบบนชุดทดสอบที่ไม่ถูกแตะต้อง และสร้างภาพข้อมูลเพื่อให้เข้าใจผลลัพธ์ได้ง่าย

วางพรอมต์นี้:

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.

หลังส่งพรอมต์ ChatGPT Work จะประเมินโมเดล Gradient Boosting บนชุดทดสอบที่กันไว้ และสร้างรายงาน PDF ที่ครอบคลุม 

รายงานจะมีภาพข้อมูลสี่รายการ 

• แผนที่ความร้อนของ confusion matrix แสดงจำนวนการทำนายถูกและผิดอย่างรวดเร็ว 
• กราฟ ROC แสดงความสามารถของโมเดลในการแยกผู้ยกเลิกออกจากผู้ไม่ยกเลิกในค่าธรreshold ต่างๆ 
• กราฟ precision-recall เน้นการแลกเปลี่ยนระหว่างการจับผู้ยกเลิกกับการหลีกเลี่ยงสัญญาณเตือนผิดพลาด 
• กราฟความสำคัญของคุณลักษณะจัดอันดับตัวแปรที่โมเดลพึ่งพามากที่สุด โดยอายุ จำนวนผลิตภัณฑ์ สถานะสมาชิกที่แอคทีฟ ยอดคงเหลือบัญชี และภูมิศาสตร์ มักเป็นปัจจัยสำคัญอันดับต้นๆ

ขั้นตอนที่ 6: ปรับใช้เว็บแอปโดยตรงผ่าน ChatGPT Work Sites

โมเดลที่อยู่แค่ในรายงานแชร์ได้ยาก ขั้นตอนนี้เราจะเปลี่ยนตัวพยากรณ์การยกเลิกที่ฝึกแล้วให้เป็นเว็บแอปแบบอินเทอร์แอกทีฟที่ใครก็เปิดและทดสอบได้

วางพรอมต์นี้:

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 มาพร้อมฟีเจอร์ชื่อ Sites ที่ให้คุณสร้างและปรับใช้เว็บแอปโดยตรงจากโปรเจ็กต์ของคุณ 

เมื่อคุณส่งพรอมต์นี้ ChatGPT Work จะจัดระเบียบเอาต์พุตของโมเดลให้สอดคล้องกับความต้องการของ UI จากนั้นใช้ HTML, JavaScript และ CSS เพื่อสร้างแอปพลิเคชัน

มันยังให้ลิงก์สำหรับทดสอบด้วย ขั้นตอนนี้ใช้เวลานานที่สุด เพราะต้องเชื่อมการพยากรณ์ของโมเดลเข้ากับอินเทอร์เฟซที่เรียบร้อยและตอบสนองทันทีต่ออินพุตของผู้ใช้

เมื่อคลิกลิงก์ เว็บแอปจะเปิดภายในอินเทอร์เฟซของ ChatGPT คุณจะเห็นช่องกรอกสำหรับคุณลักษณะของลูกค้าทั้งหมด เช่น อายุ ระยะเวลาการเป็นลูกค้า ยอดคงเหลือบัญชี และเงินเดือน 

สามารถทดสอบได้โดยกรอกค่าต่างๆ และภายในเสี้ยววินาที คุณจะได้ผลพยากรณ์ว่าลูกค้ามีแนวโน้มอยู่ต่อหรือออก พร้อมความน่าจะเป็นของการยกเลิก

การตอบสนองแม่นยำและรวดเร็ว ให้ความรู้สึกจริงถึงประสิทธิภาพของโมเดลกับข้อมูลผู้ใช้จริง

ด้วยวิธีนี้ คุณสามารถตรวจสอบความใช้ได้จริงกับผู้ใช้ โดยไม่ต้องเขียนโค้ดฝั่งเซิร์ฟเวอร์แม้แต่บรรทัดเดียวหรือเซ็ตอัปเซิร์ฟเวอร์ใดๆ

ขั้นตอนที่ 7: ส่งออกโปรเจ็กต์และรายงานสุดท้ายจาก ChatGPT Work

ทุกโปรเจ็กต์ที่ดีควรมีสรุปที่เรียบร้อย ขั้นตอนนี้เราจะรวบรวมทุกอย่างที่สร้างไว้ให้เป็นเอกสารมืออาชีพฉบับเดียวที่เล่าเรื่องตั้งแต่ข้อมูลดิบจนถึงการพยากรณ์แบบสด

วางพรอมต์นี้:

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.

หลังส่งพรอมต์ ChatGPT Work จะรวมโปรเจ็กต์ทั้งหมดเป็นไฟล์ PDF ฉบับเดียว 

คุณจะเห็นอัปเดตความคืบหน้าว่ามันรวบรวมการวิเคราะห์ที่ตรวจสอบแล้ว ผลลัพธ์ของโมเดล กราฟการประเมิน และสกรีนช็อตส่วนติดต่อเว็บแบบสดอย่างไร 

มันยังสร้างโปรไฟล์ลูกค้าตัวอย่างสองราย หนึ่งที่พยากรณ์ว่าอยู่ต่อ และอีกหนึ่งที่พยากรณ์ว่าออก เพื่อพิสูจน์ว่าเดโมทำงานจริง

เมื่อเสร็จสิ้น แผง Outputs จะมีไฟล์รายงาน PDF สุดท้าย 

รายงานครอบคลุมการตรวจสอบข้อมูล การวิเคราะห์เชิงสำรวจ ภาพข้อมูล การฝึกโมเดล การเปรียบเทียบโมเดล การประเมินสุดท้าย ข้อค้นพบ ข้อจำกัด คำแนะนำการใช้งานอินเทอร์เฟซ และตัวอย่างการพยากรณ์ที่ใช้งานได้สองกรณี 

คุณสามารถเปิดดูได้โดยตรงใน ChatGPT Work หรือดาวน์โหลดไปแชร์กับผู้อื่น

ChatGPT Work เก็บไฟล์โปรเจ็กต์ทั้งหมดไว้ในแผง Outputs แต่การดาวน์โหลดทีละไฟล์อาจน่าเบื่อ 

วิธีที่ง่ายที่สุดในการรับทุกอย่างพร้อมกันคือขอให้ ChatGPT Work รวมทั้งหมดเป็นไฟล์ ZIP เดียวพร้อมโฟลเดอร์ที่เป็นระเบียบ

วางพรอมต์: 

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. 

หลังส่งพรอมต์ ChatGPT Work จะรวบรวมไฟล์ที่สร้างทั้งหมดและจัดเป็นโฟลเดอร์เช่น data, visualizations, reports, modeling, evaluation และ web_interface 

เมื่อดาวน์โหลดแล้ว คุณสามารถแตกไฟล์ในเครื่องและเรียกดูทุกชิ้นงานของโปรเจ็กต์ ตั้งแต่ชุดข้อมูลที่ทำความสะอาดแล้วไปจนถึงแอปพยากรณ์สดสุดท้าย 

ข้อคิดส่งท้าย

ฉันคิดว่า ChatGPT Work เปลี่ยนวิธีการทำวิทยาการข้อมูลไปเลย

ทุกอย่างเกิดขึ้นในเบราว์เซอร์ ไม่ต้องติดตั้ง ไม่ต้องตั้งค่าสภาพแวดล้อม หรือปวดหัวเรื่อง dependency 

เพียงอัปโหลดไฟล์ ส่งพรอมต์ แล้วดูมันทำความสะอาดข้อมูล สร้างกราฟ ฝึกโมเดล และปรับใช้แอปสดในกระบวนการเดียว

ความรู้สึกคล้ายเครื่องมืออย่าง Claude Code แต่แตกต่างที่ความเร็วและความเรียบง่าย ไม่ต้องคอนฟิกอะไร ไม่มีแพ็กเกจให้จัดการ ไม่ต้องรอให้เคอร์เนลสตาร์ท 

แค่คุยกับมัน แล้วมันก็สร้างให้ 

โมเดลวิเคราะห์ข้อมูล ฝึกตัวเอง ประเมินตัวเอง แล้วให้บริการตัวเองผ่านเว็บอินเทอร์เฟซที่คุณแชร์หรือทดสอบได้ทันที

เมื่อเทียบกับการตั้งค่าในเครื่องด้วย VS Code ส่วนขยาย และโน้ตบุ๊กที่กระจัดกระจาย ฉันรู้สึกว่านี่คือโลกอีกใบ ไม่มีการกินพื้นที่ดิสก์โดยสภาพแวดล้อม ไม่มีความขัดแย้งของเวอร์ชัน ไม่มีการสลับบริบทระหว่างเครื่องมือสิบอย่าง คุณอยู่ที่เดียว แล้วโปรเจ็กต์ก็เติบโตล้อมรอบคุณ

สำหรับใครที่อยากไปจากข้อมูลดิบสู่เดโมพยากรณ์ที่ใช้งานได้ โดยไม่ต้องแตะเทอร์มินัล ChatGPT Work กับ GPT-5.6 คือเส้นทางที่เร็วที่สุด