ReachNT

ReachNT 是 Team Top Enders 为 CDU IT Code Fair 2026 AI Challenge 构建的、面向北领地偏远公共住房的维修分诊系统演示，它读取租户维修报告、按需求排序、将邻近社区批量安排进共享每周出行，并向租户提供通俗易懂的等待解释。

由于公开的北领地工单数据集不存在，ReachNT 的维修请求为团队编写的一整年合成数据，但其中包含来自真实地理信息的70个社区、房屋数量、维修队枢纽、道路封闭情况、简易机场和响应时间数据，合成请求在产品内部被明确标记为合成。

ReachNT 的紧迫性模型在未见过的措辞上 ROC-AUC 为 0.84，作为包含人工审核的整体系统的一部分能捕获 99.3% 的危险工单。

当模型声称至少有 90% 把握时，实际正确率只有 56%，属于校准极差的模型；因此 ReachNT 向租户隐藏置信度百分比，42% 的危险报告在任何决策做出前被转给人工处理。

ReachNT 批量调度基于 Uber 的 H3 六边形网格实现，将北领地划分为六边形网格，落入相邻单元的社区被分组到共享的每周出行中；在五个随机合成年份中，共享出行每次维修节省 67 至 76 美元，以每次维修约 821 美元为基准。

每周计划来自 CP-SAT 求解器，在 26,018 个每周计划中 99.5% 被证明为最优，中位求解时间为 8 毫秒；每个每周计划在发出前需一位具名协调员签字，求解器优化成本与故障天数但拒绝牺牲紧迫性顺序。

在一个合成年份中，ReachNT 平均每次维修 821 美元，十分之九的偏远紧急维修在 3 天内修复，加权故障天数为 61,700；最便宜优先基线平均每次维修 561 美元，但偏远紧急维修等待 62 天而城镇为 3 天，故障天数达 233,100。

团队在发布前对系统进行多智能体 AI 审计，发现一个真实缺陷：危险的生命支持维修仅凭一张照片就可能被降级为常规维修；修复措施分三层——门户 UI 阻止该降级路径、服务器进行验证、数据库设计记录原始严重程度。

团队坦承这是合成评估，维修请求与租户行为均为编造，在合成文本上训练的模型在真实报告上的行为未知；若获得真实工单，首要三件事是用真实租户措辞重新训练紧迫性模型、重新运行校准分析、用实际出行模式而非排程距离测试共享出行批量调度。

团队正提议在 Katherine 枢纽的 16 个社区进行试点。