【ITニュース解説】Outbound 🌱 An AI Quest App That Wants You to Close It

「Outbound」は、現代社会において多くの人が感じる「外に出たいが、何をするか決められない」という状況に対し、ユニークな解決策を提供する屋外クエストアプリである。このアプリの核心的な目的は、「ユーザーがアプリの利用を終え、実際の活動を始めること」を最高の成果と捉えている点にある。つまり、一般的なアプリのように継続的な利用を促すのではなく、ユーザーが実世界で有意義な体験をするためのきっかけ作りを支援することを目指している。

アプリの利用は非常にシンプルだ。まず、ユーザーは自身の興味や目標、苦手なこと、そして外出時の準備に関するリマインダーなどを設定する。その後、外出を検討する際に、利用可能な時間、現在の気分、エネルギーレベル、そして必要に応じて出発地点をOutboundに伝える。すると、アプリはこれらの情報に基づき、３つの異なる活動候補を提示する。ユーザーはその中から一つを選択し、スマートフォンを置いて実際の活動へと向かうことができる。

提供される活動は多岐にわたる。単に「散歩」を繰り返すのではなく、軽い運動、自然観察、創造的なアクティビティ、気軽な社交活動、あるいは日常生活の用事など、120種類もの具体的な活動がカタログ化されている。これにより、たとえ短時間しかなく、エネルギーが低い場合でも、ユーザーの状況に合わせた適切な選択肢が見つかるようになっている。活動を終えて戻った際には、クエストの達成度（完了、部分完了、スキップ）を記録し、その経験が価値あるものだったかどうかの感想やメモを残すことも可能だ。残されたメモは、将来の活動準備に役立つリマインダーとなる。Outboundのデザイン目標は、アプリの利用時間を増やすことではなく、ユーザーが屋外活動を始める際の心理的・物理的な障壁を減らすことにある。

Outboundのシステムは、ユーザー体験を支えるために複数の技術要素を組み合わせている。ユーザーのプロファイル、過去の活動記録、保存された提案、フィードバックなどのデータは、「SQLite」という軽量なデータベースに保存される。SQLiteはデータを記憶する役割を担い、活動の予測自体には関与しない。

活動の提案プロセスは、複数の専門的な情報源とAIモデルの連携によって実現されている。Node.jsで構築されたバックエンドは、外部の構造化されたデータソースから直接情報を取得する。具体的には、「Open-Meteo」から天候や空気の質に関する情報を取得し、「OpenStreetMap」と「Overpass」を用いて近隣の場所を探索する。「openrouteservice」は、徒歩での往復時間の見積もりやエリア名の提供に利用される。地図表示には「Leaflet」が採用されている。これらの外部サービスは、AIが活動を提案する上で必要となる客観的な事実データを提供する。重要な点として、これらの情報取得プロセスは決定論的であり、AIが事実を捏造したり、存在しない場所を推測したりすることはない。

Outboundは、主に二つの異なるAIモデルを利用している。一つは、ローカルで動作するPythonサービス内で使用される「TabPFN v2」である。このモデルは、提案された活動がどの程度完全に完了できるか、そしてそれをユーザーが楽しめるかという二つの確率を予測する。予測には、利用可能な時間、気分、エネルギー、目標、場所の種類、天候、活動の種類、期間、移動時間、身体的・社会的労力など、13の特徴量が考慮される。TabPFNは、特に少ないデータ量からでも高い精度で予測を行える特性がある。アプリは、TabPFNがベースラインよりも優れた予測を示す場合にのみ、このモデルを積極的に活用するよう設計されている。

もう一つは、「Qwen2.5:3b」という言語モデルで、「Ollama」というツールを通じてローカルで実行される。Qwenは、TabPFNなどの予測エンジンが活動を決定した後、その活動のタイトルをより魅力的な言葉にカスタマイズしたり、活動後の振り返りのためのプロンプトを作成したりする役割を果たす。ただし、活動の具体的な手順や所要時間、準備に関する情報は、AIが生成した説明に依存せず、保存された客観的な証拠から構築されることで、情報の正確性が保たれている。

活動の選択ロジックも詳細に設計されている。TabPFNによる完了率や楽しさの予測に加えて、ユーザーの目標との整合性、現在の気分や場所に応じたボーナス、そして最近提案された活動の重複を避けるためのペナルティなどが考慮され、多様な選択肢が生成される。この選択ポリシーはコードとして明示されており、開発者やユーザーがその決定プロセスを検査できる透明性を確保している。

システムの信頼性も重視されている。例えば、外部の地図サービスが応答に時間がかかる場合に備え、タイムアウト設定、キャッシュ機能、失敗したクエリに対するクールダウン期間などが導入されている。これにより、外部サービスが一時的に利用できない状況でも、アプリが誤った情報を提示するのを防ぐ。また、アプリケーション全体はDockerコンテナとして自己完結型にデプロイ可能であり、バックエンド、Pythonサービス、ブラウザでの動作など、広範なテストによって品質が検証されている。

このプロジェクトにおける「オープンイノベーション」の考え方は極めて重要である。「オープンウェイト」のAIモデルを採用することで、システムが何を最適化するかを開発者が自由に調整できるという大きな利点がある。例えば、利用するAIモデルを交換したり、活動提案のスコアリングに使われる重みを変更したり、特定の活動が提案された理由を詳細に検査したりすることが可能である。

「ローカル推論」も重要な要素である。AIモデルの計算がユーザーのPC上、または開発者が管理するサーバー上で実行されるため、ユーザーのプロファイルや活動履歴、AIモデルの実行が第三者のホストされたAPIに送信されることなく、プライバシーとコントロールが維持される。さらに、オープンなコンポーネントを適材適所で利用できる。例えば、少量のデータから予測を行うためにTabPFNを利用し、言語的な表現にはQwenを用いるといった具合である。これにより、一つのAIモデルがデータベースの役割を兼ねたり、安全性を保証したりする必要がなく、それぞれの専門ツールを効率的に活用できる。

オープンウェイトモデルの利用は、推奨事項ごとにホストされたAIモデルの従量課金が発生しないというコスト面でのメリットももたらす。ただし、ハードウェア、電気代、ホスティング費用などは発生し、ElevenLabsのようなオプションの有料サービスも利用には費用がかかる。また、オープンウェイトは「オープンソース」とは異なり、利用に際して特定のライセンス（QwenのQwen Researchライセンス、TabPFN v2のPrior Labs Licenseなど）に従う必要がある点には注意が必要である。

Outboundの最終的な目標は、控えめではあるが、人々の生活にポジティブな影響を与えることである。それは、「今日、一つの具体的な屋外活動をより簡単に選択できるようにすること」に集約される。このアプリは、AI技術を賢く活用し、ユーザーが実世界と繋がり、より豊かな体験を得るための手助けをする可能性を秘めている。