観賞魚×IoT×AIで、趣味と仕事スキルが合体した話

観賞魚を飼い始めて数年。当初は週に何度も水槽の状態をチェックする必要があり、それなりに手間がかかっていました。MLエンジニアとして仕事をしている自分が、これをデータの力で解決できないかと考えたのが、この個人プロジェクトの始まりです。

結果として、水槽管理の手間が大きく減っただけでなく、機械学習スキルの維持・向上にも繋がる、想像以上に有意義な趣味になりました。同じような趣味の方の参考になれば嬉しいです。

使った機材：Raspberry Pi＋センサー類で総額1万円程度

使った機材はシンプルで、Raspberry Pi 4本体、水温センサー（DS18B20）、pHセンサー、アンモニア試薬、Wi-Fi環境。総額で1万円ちょっとに収まりました。

Raspberry Pi 4は3,000〜5,000円、水温センサーは数百円、pHセンサーは少し高くて3,000円程度。全部AmazonやAliExpressで揃います。

システムの構成は、Raspberry Piがセンサーから1分おきにデータを取得して、ローカルのSQLiteに保存。週次でPythonスクリプトが自動分析してグラフを生成し、異常があれば通知が飛んでくる仕組みです。

データを見ると、魚の調子と水質の関係が見える

データを取り始めて1ヶ月もすると、魚の体調と水質パラメータの関係が見えてきました。魚が餌を食べなくなる前日に、必ず水温やpHにわずかな変化が起きていたのです。

具体的には、水温が普段より0.5度上昇するか、pHが0.2下がるかすると、翌日には魚の食欲低下や底に沈む行動が現れる、というパターンを発見できました。

Claudeに水質データを見せて原因候補を相談

異常を検知したとき、僕はClaudeに「ここ数日のデータで、こういう変化が起きている。原因として考えられるのは何か」と質問するようにしています。

これが意外と効果的で、「水温上昇＋pH低下＋アンモニア検出量増加」という組み合わせから、「ろ過バクテリアの活動低下が疑われます。フィルター清掃を確認してください」といった具体的な仮説を出してくれます。

もちろん最終判断は自分でしますが、考える起点をAIに作ってもらえるのは便利です。観賞魚に詳しい人が周りにいない自分にとっては、第二の意見として頼りになります。

趣味のデータ分析が、仕事のスキル維持にもなっている

このプロジェクトの副次的な効果が、機械学習スキルの維持・向上です。仕事ではテーブルデータの分析が中心ですが、観賞魚プロジェクトでは時系列データを扱うので、別の引き出しが磨かれます。

異常検知のアルゴリズム、時系列予測、ダッシュボード作成、IoTデバイスとの連携。仕事で直接使わなくても、こういった経験が知識の幅を広げてくれます。「家でも仕事と同じことをしている」と妻には呆れられますが、楽しんでいるので問題なしです。

観賞魚×IoT×MLは個人プロジェクトとして面白い

このテーマは、副業や個人プロジェクトとしても面白い領域だと思います。実用性があり、趣味のモチベーションになり、技術力もつく。3拍子揃った、いい題材です。

同じようなテーマでアクアリウムをデータ管理している人もnoteやブログでちらほら見かけます。コミュニティとして面白さがありますし、ペットの健康管理という意味で、確かなニーズもある分野です。

まとめ：個人プロジェクトの魅力は「身近なデータ」