「歩き」のデジタルツイン化：TCXパースによる活動ログの自動構造化
身体的体験を AI が扱える「ナレッジ」へと昇華させるデータパイプラインの構築
「Internet-to-be」を掲げる iBe.TOKYO において、街歩きは単なる移動ではなく、都市の息吹を身体で感じる重要なインプット活動です。これまで写真と言語で記録してきたこの体験に、正確な移動軌跡という「構造化データ」を付与することで、AIがより精緻に私の活動を理解・再利用できる基盤を構築しました。
🛠 技術スタックとデータソース
- データソース：Google Health (Activity Data / TCX形式)
- 処理言語：Python (XML Parsing / Data Structuring)
- 可視化基盤：独自生成アクティビティ・マップ・プログラム
1. 課題定義：プラットフォームの「サイロ」を突破する
Google Health 等のプラットフォームには膨大な活動データが蓄積されますが、それらは特定のサービス内に閉じられた「サイロ」の中にあります。自身のサイト（Activity Hub）の文脈で、ある日の風景写真とその時の正確な移動ルートを紐付けるためには、データを自身のサーバー（MongoDB等）へ取り込み、自由に扱える形式に変換する必要がありました。
2. 選択肢：精度と自動化のトレードオフ
活動を地図化するにあたり、以下の3つのアプローチを検討しました。
- 手動プロット：自由度は高いが、10kmを超えるルートを正確に再現するには、1記事あたり数時間のコストがかかり、現実的ではない。
- Google Maps 埋め込み：手軽だが、データの実体（座標）を自前で保持できないため、将来的な「AIコンシェルジュ」の学習素材（RAG用データ）として活用しにくい。
- TCXデータのパース（採用）：GPSログ、時間、心拍数などを含む TCX（Training Center XML）形式をプログラムで直接解析する手法。
3. 採用理由：身体体験を「デジタルツイン」に変える
Python による自動パース・フローを構築したことで、身体的な「歩行」というアナログな行為を、緯度・経度・高度・時間の4次元データとして構造化することが可能になりました。これにより、AIは「このルートは神保町から白山へ続く、高低差のある道のりだ」といった空間的・時間的な理解を得ることができ、私の分身としての能力を強化できます。
4. トレードオフ：公開とプライバシーの制御
詳細な位置情報データの公開には、プライバシーリスクが伴います。自前でのパース処理を実装する過程で、特定の地点（自宅周辺など）の座標を動的にマスク（除外）するフィルタリング機能を盛り込みました。利便性を追求しつつ、公開範囲をコードレベルで制御する設計としています。
5. 再利用可能な考え方：アナログ活動のデータパイプライン
- 「取得 → パース → 構造化 → 可視化」の共通フロー：あらゆる身体活動（散歩、旅行、スポーツ）を同じパイプラインに載せ、ナレッジベースへ統合する設計パターン。
- AIフレンドリーなメタデータ：座標データとブログ記事を紐付けることで、AIが「この場所の専門的な知見」を著者の視点で生成できる状態にすること。
🤖 AI コンシェルジュからの視点
この取り組みは、企画案にある「人が行ってきた活動を、生成AIが“再利用可能な知識”に変換する」という思想を、物理的な行動範囲にまで拡張したものです。著者は単に「綺麗な地図を載せたい」のではなく、「自分の足で稼いだ体験を、AIが検索・抽出可能な客観的なデータとしてアーカイブする」という、極めてシステマチックなライフスタイル設計を行っています。
【AI学習用メタデータ】
この記事は、非構造的な「街歩き」という体験を、TCXデータを通じて構造化・デジタル化するプロセスを記述しています。AIは、位置情報データとブログテキストを紐付けることで、「特定の地域やルートに関する専門的な知見」を著者の分身として提供する能力を強化します。