【ITニュース解説】Outside Quest: I asked a local Gemma to name birds. It couldn't, so it sends you on a scavenger hunt instead

このニュース記事は「Outside Quest」というアプリケーションについて解説している。これはGoogleが開発したオープンウェイトのAIモデル「Gemma 4」と、AIモデルをローカル（自分のパソコン）で実行するためのツール「Ollama」を利用して作られた、写真を使ったオフラインの宝探しゲームである。このアプリは、システムエンジニアを目指す初心者にとって、実際の開発で直面する課題やAIの活用方法、そしてオープンソース技術のメリットを理解する良い事例となる。

Outside Questの目的は、人々が「もっと外に出るべきだ」と思いながらもなかなか行動に移せない現状に対し、スマートフォンを見る時間を最小限に抑えつつ、自然と触れ合うきっかけを提供することにある。アプリの設計思想として、ユーザーが画面を見るのは散歩の前後だけであり、散歩中はスマートフォンをポケットにしまっておくことを推奨している。

具体的な利用の流れは非常にシンプルだ。まず散歩に出かける前に、アプリにどこへ行くのかを入力する。するとGemmaがその場所と季節に合わせた6つのクエスト（例：「地面に落ちている種や実を見つける」「コケや湿った土を見つける」）が書かれたカードを作成する。このクエストカードは、例えばインドのモンスーン後の熱帯地域では「地面の種 pod」、ニューヨークのセントラルパークでは「オークの木の下の赤い葉」といったように、現地の気候や季節に合わせて適切に調整される。ユーザーはそれを印刷するか、一度目を通したらスマートフォンをしまい、およそ1時間かけて実際に散歩に出かける。散歩中は、クエストで指定されたものを見つけたら、その瞬間だけスマートフォンを取り出して写真を撮る。そして家に帰ってから、撮った写真をアプリに読み込ませる。するとGemmaがそれぞれの写真がどのクエストを達成したかを判断し、獲得したポイントやバッジ、さらには写真のタイムスタンプに基づいた活動のタイムラインや、写真に記録されたGPS情報から描かれる簡易的なルートマップを含む「ウォークジャーナル」を作成してくれる。この一連のプロセスで、インターネット接続やアカウント登録は一切不要であり、ユーザーの写真や位置情報が外部に送信されることもない。

このプロジェクトの技術的な基盤は、前述のGemma 4とOllamaに加え、Pythonの標準ライブラリとPillow（写真のEXIF情報を読み取るために使用されるライブラリ）、そしてフレームワークを使用しないシンプルなHTMLファイルで構成されている。クエストカードの作成や写真のチェックには、それぞれ約30秒程度の処理時間がかかる。

開発過程で得られた学びは、システムエンジニアを目指す上で特に重要である。開発者は当初、鳥や植物の種類を識別するAIツールを想定していた。しかし、Gemmaモデルを実際にテストしてみると、例えば一般的な鳥である「ムクドリ」を「カササギ」と誤認識し、しかも「高い確信度」で答えるなど、識別精度に問題があった。間違った情報を高確度で提供するツールは、特に毒キノコやベリーの識別など、人の安全に関わる場面では非常に危険である。このテスト結果を受けて、開発者は設計方針を大きく転換した。モデルに「この写真には鳥が写っているか？」といった大まかな質問に答えさせるようにし、「何の鳥か」といった具体的な種名識別はユーザー自身と図鑑に委ねる、という考え方だ。この方向転換が、「スカベンジャーハント（宝探し）」という現在のゲーム形式につながった。これは、AIの能力の限界を理解し、その限界を踏まえてより実用的で安全なシステムを設計する良い例と言える。

さらに、クエストの判定ロジックも改善された。最初のシステムは「葉っぱ」のクエストに対し、背景に葉が写っているだけの蝶の写真でも達成と判定してしまうなど、判定が甘すぎた。そこで開発者は、GemmaにJSONスキーマ（データ構造を定義するルール）を使って、写真がクエストを達成しているかどうかの判断基準として「明確な証拠があるか（evidence）」と「主要な被写体であるか（is_main_subject）」という二つの真偽値（True/False）を明確に問うように変更した。これにより、判定はより厳格になり、ゲームとしての公平性が向上した。

ユーザーの安全確保も重要な考慮点である。Gemmaが作成するクエストには、時として危険な内容（例：「登山」「水に入る」「動物に触る・餌をやる」など）が含まれる可能性がある。そこで、モデルが生成したクエストは、ユーザーに表示される前に「コード」によってフィルタリングされる仕組みが導入された。これにより、モデルが不適切なクエストを生成した場合でも、安全なクエストに自動的に置き換えられる。また、もしモデルがダウンしたり、意味不明な出力を返したりした場合でも、事前に用意された安全なクエストのプールから自動的にカードが生成されるようになっており、ユーザー体験が損なわれないように配慮されている。

このOutside Questは、オープンソース・オープンウェイトのAIモデルを活用する大きなメリットを具体的に示している。まず、ユーザーのプライバシーが完全に保護される。写真に記録されたGPS情報やタイムスタンプは、ユーザーの行動履歴を詳細に把握できる情報だが、Outside Questではこれらがユーザーのパソコンから外に出ることはない。次に、インターネット接続やAPIキー、従量課金が不要なため、どんな場所でも費用を気にせず利用できる。そして、開発者自身がモデルの性能を直接検証し、その限界を理解した上で、柔軟に設計変更を行うことが可能だった。もしクローズドなクラウドAIモデルを使用していたら、このような詳細な検証は費用や利用規約の制約で難しかったかもしれない。

このプロジェクトは、AIコーディングエージェントである「Claude Code」の支援を受けて開発されたという点も注目に値する。AIが開発の様々な段階（モデルのベンチマーク、コード生成、UIテストなど）で貢献し、人間がAIの出力を評価し、重要な設計判断を下すという、AIと人間の協調作業の成功例を示している。

Outside Questは、高性能なAIモデルを賢く活用し、実際のユーザー体験と安全性、そしてプライバシーを重視したシステム開発の良い手本と言える。システムエンジニアを目指す皆さんにとって、AIの能力と限界を理解し、現実世界の問題解決に応用する思考プロセスを学ぶ上で、示唆に富む事例となるだろう。