【要約】フルマラソンランナーが作った、Garmin ExportをAI分析へつなぐ正規化OSS [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
GarminユーザーがAIを用いて走行データを分析しようとする際、データの準備に多大な工数がかかる。分析のたびに、ファイル構成の調査や欠損値の扱いを検討しなければならない。具体的には以下の課題がある。
- ・ファイル形式がJSONやFITなど混在し、構造が複雑である。
- ・データの単位や集計の分母が分析ごとに変わってしまう。
- ・エクスポートの差異により、過去の記録が欠落するリスクがある。
- ・AIに渡すデータの前提条件が不明確で、分析結果が不安定になる。
// Approach
開発者は、分析の再現性と信頼性を確保するため、一括正規化を行うOSSを構築した。単なる変換ではなく、データの「確からしさ」を管理する設計を採用している。主な手法は以下の通りである。
- ・
run-allコマンドによる、一括正規化処理の実行。 - ・推測を排除し、不明な関係性は「未解決」として明示する設計。
- ・複数回のエクスポートを蓄積し、欠損を防ぐSnapshot Accumulation機能。
- ・AI向けのコンテキスト情報（SCHEMA_CATALOG.json等）の自動生成。
// Result
このツールにより、ユーザーは安定した分析基盤を迅速に構築できる。11年分、3,000件超の実データを用いた大規模検証により、高い信頼性が示されている。具体的な成果は以下の通りである。
- ・AIがデータの前提条件を即座に理解できる環境の実現。
- ・データの出所や処理履歴の明示による、監査可能なデータ管理。
- ・最小限のデータパック生成による、プライバシーに配慮した外部共有。
Senior Engineer Insight
> データ品質への執着が素晴らしい。特に「推測で埋めず、未解決として残す」設計は、シビアな現場では必須だ。AIに渡す際に、スキーマやコンテキストを同梱する設計は、LLMのハルシネーション抑制に直結する。実用的なデータパイプラインの優れた雛形と言える。