8090's Top Coder Herausforderung
Originaler LinkedIn-Beitrag & GitHub-Repo des Projekts
Am Freitagabend sah ich einen öffentlichen Beitrag auf Twitter/X von Chamath Palihapitiya, in dem er eine offene Top Coder Challenge ankündigte, die von seinem neuen Unternehmen, 8090 Solutions, veranstaltet wird. Jeder konnte teilnehmen. Die Challenge sollte am nächsten Tag stattfinden, nur 8 Stunden dauern und das Reverse Engineering eines Black‑Box‑Altsystems ausschließlich mit historischen Daten und ein paar Mitarbeiterinterviews umfassen.
Ich beschloss, mitzumachen.
Am Ende des Tages hatte ich die Ehre, den 7. Platz von 425 Ingenieuren zu belegen. Du kannst die Rangliste HIER einsehen und den Code für diese Challenge HIER anschauen. Aber ich will nicht lügen, ich hoffte ehrlich gesagt nur, innerhalb dieses kurzen Zeitraums etwas fertigzustellen, sodass es eine Überraschung und ein großer persönlicher Erfolg war, als ich es in die Rangliste schaffte.
Die Challenge war solo, und das Ziel war, ein 60 Jahre altes Black‑Box‑Reisespesen‑System zu replizieren, das keinen Quellcode und keine Dokumentation hatte. Uns wurden einige Artefakte zur Verfügung gestellt, darunter ein Produkt‑Brief, Transkripte von Mitarbeiterinterviews und ein öffentlicher Datensatz mit 1.000 historischen Beispielen von Eingaben und erwarteten Ausgaben. Daraus musste ich die Geschäftslogik ableiten, nach der Erstattungsbeträge berechnet werden, und eine moderne Version implementieren, die dieselben Ergebnisse so genau wie möglich liefert. Die Einreichungen wurden anhand eines separaten versteckten Datensatzes bewertet, der 5.000 Testfälle enthielt, anstelle der ursprünglichen 1.000. Dieser größere private Satz bestimmte letztlich deine Endpunktzahl und Rangliste. Das Bewertungssystem belohnte Genauigkeit, wobei ein niedrigerer Score bedeutete, dass deine Lösung das versteckte Verhalten des Originalsystems genauer nachbildete.
Um die Unsicherheit und Muster in den Daten zu bewältigen, nutzte ich klassische Machine‑Learning‑Techniken zusammen mit einfachen Heuristiken und programmatischer Logik. Es war eine sorgfältige Mischung aus Datenanalyse, Feature‑Modellierung und Regel‑Approximation basierend auf unvollkommenen Hinweisen.
Hier war mein eval‑Score für den öffentlichen 1.000‑Datensatz:
✅ Evaluation Summary
------------------------
Total cases : 1000
Exact matches (<$0.01): 0
Close matches (<$1.00): 17
Average error : $31.15
Score : 3214.93
Eine Lösung für eine solche Challenge in 8 Stunden zu entwickeln, wäre fast unmöglich gewesen ohne die Hilfe von KI‑gestützten Werkzeugen, die das schnelle Erkunden, Integrieren und Testen von Ideen erleichtert haben.
Es fühlte sich an wie Software‑Archäologie kombiniert mit einem Live‑Coding‑Sprint. Ganz klar eine der intensivsten und lohnendsten technischen Herausforderungen, die ich je gemacht habe.
Danke an Chamath Palihapitiya und Arjun Krishna für die Organisation einer so kreativen und inspirierenden Challenge.
Links: