8090's Top Coder-uitdaging
Originele LinkedIn-post
GitHub-repo van het project
Op vrijdagavond zag ik een openbare post op Twitter/X van Chamath Palihapitiya waarin hij een open Top Coder-uitdaging aankondigde, georganiseerd door zijn nieuwe bedrijf, 8090 Solutions. Iedereen kon meedoen. De uitdaging zou de volgende dag plaatsvinden, slechts 8 uur duren, en draaide om het reverse-engineeren van een black-box legacy-systeem met alleen historische gegevens en een paar interviews met medewerkers.
Ik besloot mee te doen!
Aan het einde van de dag had ik de eer om 7e van de 425 ingenieurs te worden. Je kunt het klassement HIER bekijken en de code voor deze uitdaging HIER bekijken. Maar ik ga niet liegen: ik hoopte eigenlijk alleen maar om in die korte periode iets af te krijgen, dus op het klassement terechtkomen was een verrassing en een enorme persoonlijke overwinning voor mij.
De uitdaging was solo, en het doel was om een 60 jaar oud black-box reisvergoedingssysteem te repliceren dat geen broncode en geen documentatie had. We kregen een paar artefacten, waaronder een productbrief, transcripties van interviews met medewerkers en een openbare dataset met 1.000 historische voorbeelden van invoer en verwachte uitvoer. Daaruit moest ik de bedrijfslogica afleiden achter hoe vergoedingsbedragen werden berekend en een moderne versie implementeren die de dezelfde resultaten zo nauwkeurig mogelijk kon produceren. Inzendingen werden beoordeeld op een afzonderlijke verborgen dataset die 5.000 testgevallen bevatte in plaats van de oorspronkelijke 1.000. Deze grotere privéset bepaalde uiteindelijk je eindscore en rangschikking. Het scoresysteem beloonde nauwkeurigheid, waarbij een lagere score betekende dat je oplossing het verborgen gedrag van het oorspronkelijke systeem beter benaderde.
Om de onzekerheid en patronen in de gegevens aan te pakken, gebruikte ik klassieke machine-learningtechnieken naast basisheuristieken en programmatische logica. Het was een zorgvuldige mix van data-analyse, featuremodellering en benaderde regels op basis van onvolmaakte aanwijzingen.
Hier was mijn eval-score voor de openbare dataset van 1.000:
✅ Evaluatieoverzicht
------------------------
Totaal aantal gevallen : 1000
Exacte overeenkomsten (<$0.01): 0
Nauwe overeenkomsten (<$1.00): 17
Gemiddelde fout : $31.15
Score : 3214.93
Een oplossing voor zo’n uitdaging ontwikkelen in 8 uur zou bijna onmogelijk zijn geweest zonder de hulp van AI-gestuurde hulpmiddelen die het makkelijker maakten om ideeën snel te verkennen, te integreren en te testen.
Het voelde als software-archeologie gecombineerd met een live coding-sprint. Makkelijk een van de meest intense en belonende technische uitdagingen die ik heb gedaan.
Dank aan Chamath Palihapitiya en Arjun Krishna voor het organiseren van zo’n creatieve en inspirerende uitdaging.
Links: