【ITニュース解説】Aakhri Tareekh: An Offline AI That Finds Deadlines in College Notices

Aakhri Tareekhは、大学の通知書に隠された重要な締め切りを効率的に見つけ出すための革新的なアプリケーションだ。これは、長くて煩雑な大学の通知書から、学生が見落としがちな締め切りを自動的に抽出し、簡潔で信頼できる情報を提供する。大学の通知書はしばしば何ページにもわたるPDFやスキャンされた画像であり、その中に登録、支払い、試験、申請などの重要な締め切りが埋もれていることが少なくない。一つの締め切りを見逃すだけで、学生生活に大きな影響を及ぼす可能性があるため、この問題は多くの学生にとって共通の悩みだった。

Aakhri Tareekhは、このような問題に直面していた友人のために開発された。このアプリは、ごちゃごちゃした通知書を、学生が「次にとるべき行動」を明確に理解できる形に変換する。具体的には、通知ページから締め切りを探し出し、必要な行動、対象者、手数料、そして必要書類を特定する。さらに、抽出された各締め切りについて、その情報が通知書のどこに記載されていたかを示す「証拠」も提示する。曖昧な日付については、勝手に推測するのではなく「不明」としてマークする保守的なアプローチをとっている点も特徴だ。確認された日付は、一般的なカレンダー形式である.icsファイルとしてエクスポートできるため、自分のスケジュール管理に簡単に組み込める。

このアプリケーションの核となるアイデアはシンプルで強力だ。それは、「複雑な大学の通知書を、信頼できる次にとるべき一つの行動に変換する」ことだ。

Aakhri Tareekhの技術的な中核には、注目すべき特徴がある。それは、クラウド上のAIサービスを利用せず、ユーザーのコンピューター上でAIモデルを直接実行する「オフラインAI」というアプローチを採用している点だ。このシステムは、Ollamaというオープンソースのツールと、Qwen3.5-4BというオープンウェイトのAIモデルを組み合わせることで実現されている。

Ollamaは、AIモデルをローカル環境で簡単に実行できるようにするプラットフォームだ。これにより、通常は高性能なサーバーで動作するようなAIモデルを、個人のパソコンで動かすことが可能になる。Qwen3.5-4Bは、中国の清華大学が開発した大規模言語モデルの一種で、特定のタスクに特化して学習されている。このモデルがユーザーのコンピューター上で動作することで、アプリケーションはインターネット接続なしに、そして外部のAIサービスにデータを送信することなく、通知書の分析を実行できるのだ。

アプリケーションのデモの流れは次のようになる。まず、大学の通知書PDFファイルや画像をアップロードする。次に、関連する日付が含まれているページを選択する。すると、ローカルで動作するQwen3.5-4Bモデルがそのページの内容を読み込む。アプリケーションはこの情報をもとに、締め切り、必要なアクション、対象者、手数料、そしてその情報の根拠となる「証拠」を抽出する。最終的に、確定した日付はカレンダーイベントとしてエクスポートできるようになる。

このプロジェクトは主にPythonというプログラミング言語で開発されており、WebアプリケーションのフレームワークとしてFastAPIが使われている。ユーザーインターフェースはHTML、CSS、JavaScriptというWebの基本的な技術で構築されている。PDFのページを画像としてレンダリングするためにはPyMuPDFというライブラリが利用され、カレンダーエクスポートにはICSカレンダー形式が使われている。

Aakhri Tareekhの設計において最も重視されたのは、抽出プロセスの「保守的」な性質だ。これは、AIが情報を推測するのではなく、あくまで通知書に明示的に書かれている情報のみを抽出するという厳格なポリシーを意味する。具体的には、AIは以下のルールに従う。

• 締め切りは、実際に日付がそのページに明確に記載されている場合にのみ抽出する。
• 他のページ、付録、ウェブサイトなどから日付を推測することは決してしない。
• 表示されている年を勝手に変更しない。
• 15 July 2026から19 July 2026のような日付範囲は、一つの日付に変換せず、そのまま保持する。
• 日付が曖昧または不確実な場合は、不明確な情報としてnullを返すか、「不明」とマークする。
• 抽出されたすべての締め切りに対して、通知書上の「証拠」を提示することを求める。
• 通常の日付を勝手に締め切りとして解釈しない。

この厳格な設計は、「誤った締め切りを伝えることは、締め切りを全く伝えないよりも悪い結果を招く可能性がある」という開発者の強い信念に基づいている。例えば、日付の範囲が書かれている場合に、AIが勝手にその中の一つを選んで「締め切り」として提示すると、ユーザーが誤った行動をとるリスクがあるため、そのような推測は行わないのだ。

Aakhri TareekhがオープンウェイトのAIモデルをローカルで利用するメリットは非常に大きい。 まず「プライバシー」の面で優れている。大学の通知書には、学業成績、登録情報、支払い状況、個人の学生情報など、機密性の高い内容が含まれることがある。ローカルでAIが処理することで、これらの重要なドキュメントがユーザーのデバイスから外部のクラウドAIサービスに送信されることなく、プライバシーが保護される。 次に「オフラインファースト」という利点がある。一度AIモデルをダウンロードしてしまえば、インターネット接続がない環境でも通知書の分析が可能になる。これは、インターネット接続が不安定な場所や、データ通信量を節約したい場合に非常に役立つ。 さらに「コスト」の観点からも優位性がある。クラウドAIサービスを利用する場合、通常はAPI呼び出しの回数やデータ量に応じた料金が発生するが、ローカルで処理するため、通知書を分析するたびに費用が発生することはない。 「モデルの自由度」も大きなメリットだ。アプリケーションはOllamaを通じてAIモデルと通信するため、もしより高性能なモデルや特定のタスクに特化したモデルが登場した場合でも、基盤となるAIモデルを容易に交換したり、アップグレードしたりできる。 最後に、「カスタム動作」の面でも優れている。ジェネリックな文書要約AIに頼るのではなく、大学の通知書という特定のユースケースと、「推測しない」という厳格なポリシーに合わせて、抽出プロセスを細かく設計できる。これにより、汎用的なAIでは得られない、信頼性の高い結果を導き出すことが可能になる。

このように、オープンモデルをローカルで利用することは、単にコストを削減するだけでなく、データの管理、モデルの利用方法、そしてアプリケーションの振る舞いに対して、開発者がより大きなコントロールを持つことを可能にする。

このプロジェクトは、開発者が実際に直面した非常に実践的な問題からスタートした。友人が、読みにくい通知書の中に埋もれた重要な締め切りを繰り返し見逃していたのだ。開発者は、単に汎用的なAIドキュメント要約ツールを作るのではなく、「何を、いつまでに行う必要があるのか」という一つの具体的な結果に焦点を当てた。この明確な焦点が、抽出された各締め切りに「証拠」を示すこと、そして曖昧な場合は推測せず「不明」と伝えるという、アプリケーション全体の設計に大きな影響を与えている。

Aakhri Tareekhの開発から得られた最大の教訓は、AIアプリケーションが常に「より自信満々である」必要はない、ということだ。締め切りを抽出するような重要なタスクにおいては、「いつ推測しないかを知っている」こと自体が、むしろ重要な機能となる。また、ローカルで動作するオープンウェイトのAIモデルと連携することで、単にAPIを呼び出すだけでなく、AIシステム全体をどのように構築し、特定の課題にどのように適用するかについて深く考えるきっかけにもなった。

このプロジェクトは、一人の友人のためのシンプルなアイデアから始まったが、ローカルで動作するオープンAIを、明確に焦点を絞ったワークフローと組み合わせることで、現実世界の非常に具体的な問題を解決できる有用な例を示している。