8090s Top-Coder-Herausforderung
Originaler LinkedIn-Beitrag
GitHub-Repository des Projekts
Am Freitagabend sah ich einen öffentlichen Beitrag auf Twitter/X von Chamath Palihapitiya, in dem er eine offene Top-Coder-Herausforderung ankündigte, die von seinem neuen Unternehmen, 8090 Solutions, veranstaltet wurde. Jeder konnte mitmachen. Die Herausforderung würde bereits am nächsten Tag stattfinden, nur 8 Stunden dauern und darin bestehen, ein Black-Box-Alt-System mithilfe nur historischer Daten und einiger Mitarbeiterinterviews durch Reverse Engineering zu analysieren.
Ich beschloss, mitzumachen!
Am Ende des Tages war ich geehrt, den 7. Platz von 425 Ingenieuren belegt zu haben. Ihr könnt die Rangliste HIER ansehen und den Code für diese Herausforderung HIER. Aber ich will nicht lügen: Ehrlich gesagt hoffte ich einfach nur, in diesem kurzen Zeitraum überhaupt etwas fertigzustellen, also war es eine Überraschung und ein riesiger persönlicher Erfolg für mich, es auf die Rangliste zu schaffen.
Die Herausforderung war allein zu bewältigen, und das Ziel bestand darin, ein 60 Jahre altes Black-Box-Reisekostenerstattungssystem nachzubilden, für das es keinen Quellcode und keine Dokumentation gab. Uns wurden einige Materialien gegeben, darunter ein Produktbrief, Transkripte von Mitarbeiterinterviews und ein öffentliches Datenset mit 1.000 historischen Beispielen von Eingaben und erwarteten Ausgaben. Daraus musste ich die Geschäftslogik ableiten, nach der die Erstattungsbeträge berechnet wurden, und eine moderne Version implementieren, die möglichst dieselben Ergebnisse erzeugen konnte. Einreichungen wurden anhand eines separaten, versteckten Datensets mit 5.000 Testfällen statt der ursprünglichen 1.000 bewertet. Dieses größere private Set bestimmte letztlich eure Endpunktzahl und Platzierung. Das Bewertungssystem belohnte Genauigkeit, wobei eine niedrigere Punktzahl bedeutete, dass eure Lösung das verborgene Verhalten des ursprünglichen Systems genauer nachbildete.
Um die Unsicherheit und Muster in den Daten anzugehen, verwendete ich klassische Machine-Learning-Techniken zusammen mit grundlegenden Heuristiken und programmatischer Logik. Es war eine sorgfältige Mischung aus Datenanalyse, Merkmalsmodellierung und regelbasierter Annäherung auf Grundlage unvollständiger Hinweise.
Hier war mein eval-Wert für das öffentliche Datenset mit 1.000 Einträgen:
✅ Auswertungszusammenfassung
------------------------
Gesamtfälle : 1000
Exakte Übereinstimmungen (<$0.01): 0
Nahe Übereinstimmungen (<$1.00): 17
Durchschnittlicher Fehler : $31.15
Punktzahl : 3214.93
Eine Lösung für eine solche Herausforderung in 8 Stunden zu entwickeln, wäre ohne die Hilfe von KI-gestützten Werkzeugen, die es erleichterten, Ideen schnell zu erkunden, zu integrieren und zu testen, nahezu unmöglich gewesen.
Es fühlte sich an wie Software-Archäologie, kombiniert mit einem Live-Coding-Sprint. Eines der intensivsten und lohnendsten technischen Herausforderungen, die ich je gemacht habe.
Vielen Dank an Chamath Palihapitiya und Arjun Krishna dafür, eine so kreative und inspirierende Herausforderung organisiert zu haben.
Links: