Hướng dẫn ChatGPT Work với GPT-5.6: Khoa học dữ liệu end-to-end ngay trên trình duyệt

GPT-5.6 là dòng mô hình mới nhất của OpenAI, có ba phiên bản: Sol cho lập luận chuyên sâu, Terra cho công việc hằng ngày cân bằng, và Luna cho các tác vụ nhanh, nhẹ.

Song hành, OpenAI ra mắt ChatGPT Work, một không gian làm việc trong ChatGPT được xây dựng cho quy trình nhiều bước dựa trên tệp.

ChatGPT Work cho phép bạn tải tệp lên, duy trì ngữ cảnh giữa các lời nhắc, và tạo mã, trực quan hóa, cùng công cụ tương tác — tất cả ngay trên trình duyệt, không cần thiết lập cục bộ.

Trong hướng dẫn này, tôi sẽ chỉ bạn cách xây dựng trọn vẹn một dự án dự báo khách hàng ngân hàng rời bỏ hoàn toàn trong ChatGPT Work. 

Chúng ta sẽ tải lên một bộ dữ liệu thực tế, kiểm định và làm sạch dữ liệu, rồi khám phá bằng trực quan hóa.

Sau đó, chúng ta sẽ huấn luyện và so sánh nhiều mô hình máy học, đánh giá mô hình tốt nhất, và triển khai một giao diện web tương tác để dự báo rời bỏ theo thời gian thực.

Kết thúc, bạn sẽ có trọn gói dự án với dữ liệu đã làm sạch, biểu đồ, kết quả mô hình và bản demo hoạt động — tất cả được tạo mà không rời trình duyệt.

ChatGPT Work là gì?

ChatGPT Work là một tác tử chuyên biệt trong ChatGPT, được thiết kế cho các nhiệm vụ đầy tham vọng gồm nhiều bước, vượt xa hỏi–đáp đơn giản. 

Nó có thể tổng hợp thông tin từ các ứng dụng và quy trình của bạn, tạo ra sản phẩm hoàn chỉnh như bảng tính, trình chiếu, tài liệu và ứng dụng web, và đồng hành cùng dự án phức tạp nhiều giờ bằng cách chia nhỏ thành các bước rồi tự động hoàn thành.

Với công nghệ Codex tích hợp, ChatGPT Work vượt qua mức trả lời câu hỏi để thực sự hoàn thành công việc trên web, di động và máy tính để bàn. 

Bạn có thể theo dõi tiến độ, trả lời thắc mắc, đổi hướng, và phê duyệt các hành động quan trọng khi nó làm việc.

ChatGPT Work được vận hành bởi GPT-5.6, giúp nó dẫn đầu trong lập luận qua nhiều bước và tạo nội dung theo đúng mẫu và tệp tham chiếu của bạn. 

Nó cũng hỗ trợ Tác vụ theo lịch, nên có thể tiếp tục dự án ngay cả khi bạn vắng mặt, ví dụ chuyển tin nhắn mới từ Teams hoặc Slack thành tài liệu cập nhật và chia sẻ thay đổi với nhóm.

Bước 1: Tải bộ dữ liệu vào ChatGPT Work

Mọi dự án khoa học dữ liệu đều bắt đầu từ dữ liệu. Ở bước này, chúng ta sẽ tạo không gian làm việc riêng trong ChatGPT Work và đưa bộ dữ liệu rời bỏ khách hàng ngân hàng vào để bắt đầu xử lý.

Mở ChatGPT trên trình duyệt và nhấp thẻ Work. Sau đó nhấp Choose Project ở góc dưới bên trái khung chat, chọn New project, đặt tên là Bank Customer Churn Prediction.

Đồng thời, hãy đảm bảo chọn GPT 5.6 Sol Light, vì đây là tác vụ đơn giản và không cần lập luận cao. 

Giao diện sẽ hiển thị thẻ Work đang hoạt động, tên dự án ở cuối khung chat, và menu chọn mô hình đặt ở 5.6 Sol Light.

Tiếp theo, tải xuống Churn_Modelling.csv từ Kaggle. 

Để tải lên, nhấp vào biểu tượng dấu cộng (+) ở vùng nhập tin nhắn, chọn tệp từ máy tính, và đính kèm vào cuộc trò chuyện. Tệp sẽ xuất hiện dưới dạng thẻ bảng tính phía trên ô nhập, sẵn sàng gửi. 

Bước 2: Kiểm định và làm sạch dữ liệu với GPT-5.6

Dữ liệu thô hiếm khi hoàn hảo. Trước khi xây dựng mô hình, chúng ta cần hiểu mình đang làm việc với gì và khắc phục các vấn đề có thể làm sai lệch kết quả. 

Dán lời nhắc này vào ô nhập và nhấn 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.

Sau khi gửi lời nhắc, ChatGPT Work sẽ dùng các kỹ năng và công cụ tích hợp để đọc bộ dữ liệu, hiểu cấu trúc và cung cấp bản tóm tắt kiểm định có cấu trúc.

Bạn cũng có thể khám phá các bước mà ChatGPT Work đã thực hiện để đưa ra bản tóm tắt này. 

Các bước này hiển thị trong luồng trò chuyện, cho thấy mô hình phân tích dữ liệu, áp dụng quy tắc kiểm định và đi đến từng kết luận như thế nào. 

Ở góc trên bên phải khung chat, nhấp nút dấu đầu dòng để mở bảng Outputs. 

Bảng này sẽ hiển thị hai tệp được tạo: một CSV đã làm sạch và một báo cáo kiểm định đầy đủ ở định dạng markdown.

Bước 3: Tạo trực quan hóa dữ liệu trong môi trường ChatGPT Work

Con số không kể hết câu chuyện. Ở bước này, chúng ta sẽ biến dữ liệu đã làm sạch thành biểu đồ và đồ thị để lộ ra các mẫu rời bỏ của khách hàng.

Chúng ta sẽ tạo loạt trực quan hóa thể hiện phân bố rời bỏ tổng thể, phân tích tỷ lệ rời bỏ theo các nhóm khách hàng khác nhau, và so sánh các biến số giữa nhóm ở lại và nhóm rời đi. 

Chúng ta cũng sẽ tạo bản đồ nhiệt tương quan để xem các biến số định lượng liên hệ với nhau ra sao.

Dán lời nhắc sau:

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.

Kết quả là ChatGPT Work sẽ tạo mã Python để thực hiện phân tích và sinh tất cả trực quan hóa. Sau đó, nó sẽ biên soạn mọi thứ thành một báo cáo PDF chuyên nghiệp, bao gồm từng biểu đồ với phần giải thích và tóm tắt phát hiện chính.

Bạn có thể xem trực tiếp các tệp được tạo trong ChatGPT Work hoặc tải về để xem cục bộ. 

Bảng Outputs sẽ liệt kê báo cáo PDF cùng các tệp biểu đồ riêng lẻ hoặc sổ tay mã được tạo trong quá trình.

Bước 4: Xây dựng và so sánh mô hình

Giờ chúng ta đã hiểu dữ liệu, đến lúc huấn luyện mô hình dự báo khách hàng có khả năng rời đi. 

Chúng ta sẽ xây dựng một pipeline máy học đúng chuẩn, so sánh nhiều thuật toán, và chọn mô hình tốt nhất dựa trên các chỉ số vững chắc.

Dán lời nhắc sau:

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.

Sau khi gửi lời nhắc, ChatGPT Work sẽ tạo một script pipeline scikit-learn có thể tái lập và chạy nó.

Bạn sẽ thấy cập nhật tiến độ trong luồng trò chuyện cho từng giai đoạn: kiểm tra thư viện, chạy pipeline, thực hiện cross-validation chỉ trên tập huấn luyện, và xác minh kết quả cuối cùng.

Khi hoàn tất, bạn sẽ thấy một bảng so sánh gọn gàng với cả bốn mô hình được xếp hạng theo các chỉ số. 

Bảng bao gồm accuracy, precision, recall, F1, ROC-AUC và PR-AUC cho từng mô hình. 

Trong dự án này, mô hình Gradient Boosting nổi lên là ứng viên mạnh nhất, dẫn đầu về PR-AUC và ROC-AUC.

Bước 5: Đánh giá hiệu năng mô hình dự báo

Sau khi chọn mô hình tốt nhất, chúng ta cần xem nó hoạt động ra sao trên dữ liệu chưa từng thấy. 

Chúng ta sẽ đánh giá đầy đủ trên tập kiểm định giữ nguyên và tạo trực quan hóa giúp kết quả dễ hiểu.

Dán lời nhắc sau:

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.

Sau khi gửi lời nhắc, ChatGPT Work sẽ đánh giá mô hình Gradient Boosting trên tập kiểm định giữ lại và tạo báo cáo PDF toàn diện. 

Báo cáo sẽ bao gồm bốn trực quan hóa. 

• Bản đồ nhiệt ma trận nhầm lẫn cho thấy số lượng dự đoán đúng và sai một cách trực quan. 
• Đường cong ROC minh họa khả năng mô hình tách biệt nhóm rời bỏ và không rời bỏ qua các ngưỡng khác nhau. 
• Đường cong precision–recall nêu bật đánh đổi giữa việc bắt đúng người rời bỏ và tránh cảnh báo giả. 
• Biểu đồ độ quan trọng đặc trưng xếp hạng các biến mà mô hình dựa vào nhiều nhất; thường xuyên đứng đầu là tuổi, số lượng sản phẩm, trạng thái thành viên hoạt động, số dư tài khoản và khu vực địa lý.

Bước 6: Triển khai ứng dụng web trực tiếp qua ChatGPT Work Sites

Một mô hình chỉ tồn tại trong báo cáo thì khó chia sẻ. Ở bước này, chúng ta sẽ biến bộ dự báo rời bỏ đã huấn luyện thành ứng dụng web trực tiếp, tương tác, mà ai cũng có thể mở và thử.

Dán lời nhắc sau:

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 có tính năng Sites, cho phép bạn xây dựng và triển khai ứng dụng web trực tiếp từ dự án. 

Khi bạn gửi lời nhắc này, ChatGPT Work sẽ căn chỉnh đầu ra mô hình với yêu cầu giao diện, rồi dùng HTML, JavaScript và CSS để tạo ứng dụng.

Nó cũng sẽ cung cấp cho bạn một liên kết để thử nghiệm. Bước này lâu nhất vì phải kết nối dự báo mô hình vào giao diện trau chuốt, phản hồi tức thời theo đầu vào người dùng.

Khi nhấp liên kết, ứng dụng web sẽ mở trong giao diện ChatGPT. Bạn sẽ thấy các ô nhập cho mọi đặc trưng khách hàng như tuổi, thâm niên, số dư tài khoản và lương. 

Bạn có thể thử bằng cách nhập các giá trị khác nhau; trong tích tắc, bạn sẽ nhận kết quả dự báo khách hàng có khả năng ở lại hay rời đi, kèm xác suất rời bỏ.

Phản hồi chính xác và nhanh, cho bạn cảm nhận thực tế về hiệu năng mô hình với dữ liệu người dùng.

Bằng cách này, bạn có thể xác thực mô hình với người dùng thực mà không cần viết dòng mã backend nào hay thiết lập máy chủ.

Bước 7: Xuất dự án và báo cáo cuối cùng từ ChatGPT Work

Mọi dự án chỉn chu đều xứng đáng có bản tóm tắt gọn gàng. Ở bước này, chúng ta sẽ tổng hợp mọi thứ đã xây dựng vào một tài liệu chuyên nghiệp kể trọn câu chuyện từ dữ liệu thô đến dự báo trực tiếp.

Dán lời nhắc sau:

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.

Sau khi gửi lời nhắc, ChatGPT Work sẽ kết hợp toàn bộ dự án vào một tệp PDF. 

Bạn sẽ thấy cập nhật tiến độ cho biết cách nó thu thập phân tích đã xác minh, kết quả mô hình, biểu đồ đánh giá, và ảnh chụp giao diện web trực tiếp. 

Nó cũng sẽ tạo hai hồ sơ khách hàng ví dụ — một dự báo ở lại và một dự báo rời đi — để chứng minh bản demo hoạt động.

Khi hoàn tất, bảng Outputs sẽ liệt kê tệp PDF báo cáo cuối. 

Báo cáo bao quát kiểm định dữ liệu, phân tích khám phá, trực quan hóa, huấn luyện mô hình, so sánh mô hình, đánh giá cuối, phát hiện chính, hạn chế, hướng dẫn giao diện, và hai ví dụ dự báo hoạt động. 

Bạn có thể mở trực tiếp trong ChatGPT Work hoặc tải xuống để chia sẻ.

ChatGPT Work giữ tất cả tệp dự án trong bảng Outputs, nhưng tải từng tệp một có thể mất công. 

Cách dễ nhất để lấy tất cả cùng lúc là yêu cầu ChatGPT Work gói chúng vào một tệp ZIP với cấu trúc thư mục hợp lý.

Dán lời nhắc: 

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. 

Sau khi gửi lời nhắc, ChatGPT Work sẽ thu thập mọi tệp đã tạo và sắp xếp vào các thư mục như data, visualizations, reports, modeling, evaluation và web_interface. 

Sau khi tải xuống, bạn có thể giải nén cục bộ và duyệt qua mọi hiện vật của dự án, từ bộ dữ liệu đã làm sạch đến ứng dụng dự báo trực tiếp cuối cùng. 

Suy ngẫm cuối

Tôi cho rằng ChatGPT Work thay đổi cách khoa học dữ liệu được thực hiện.

Mọi thứ diễn ra trên trình duyệt của bạn, không cần cài đặt, thiết lập môi trường hay đau đầu phụ thuộc. 

Bạn tải tệp lên, gửi lời nhắc, và quan sát nó làm sạch dữ liệu, vẽ biểu đồ, huấn luyện mô hình, và triển khai ứng dụng trực tiếp — tất cả trong một luồng.

Cảm giác giống các công cụ như Claude Code, nhưng khác biệt là tốc độ và sự đơn giản. Bạn không phải cấu hình gì cả. Không có gói nào cần quản lý. Không phải chờ kernel khởi động. 

Bạn chỉ cần trò chuyện, và nó sẽ xây dựng. 

Mô hình phân tích dữ liệu của bạn, tự huấn luyện, tự đánh giá, rồi tự phục vụ qua giao diện web mà bạn có thể chia sẻ hoặc thử ngay.

So với thiết lập cục bộ với VS Code, tiện ích mở rộng và sổ tay rải rác, tôi cảm thấy như đây là một thế giới khác. Không tốn dung lượng đĩa cho môi trường. Không xung đột phiên bản. Không phải chuyển đổi ngữ cảnh giữa cả chục công cụ. Bạn ở một nơi, và dự án phát triển quanh bạn.

Với bất kỳ ai muốn đi từ dữ liệu thô đến bản demo dự báo hoạt động mà không đụng đến terminal, ChatGPT Work với GPT-5.6 là con đường nhanh nhất.