Touch Grass

This is a submission for the Hacktoberfest Open-Source AI Challenge Week 1: Touch Grass

무엇을 만들었는가 (What I Built)

TouchGrass AI는 하나의 엄격한 규칙에 초점을 맞춰 설계된 목적 기반의 마이크로 탐험 애플리케이션입니다:
화면 시간이 경험에서 가장 짧은 부분이 되어야 한다.
개발자, 학생, 그리고 책상에 앉아 일하는 사람들은 하루 대부분을 화면 앞에서 보내며, 심지어 짧은 휴식 시간조차도 더 많은 스크린 타임으로 이어질 수 있습니다. TouchGrass AI는 이 루프를 깨뜨려 짧은 휴식을 간단한 야외 미션으로 만듭니다.

이 경험은 의도적으로 다음과 같습니다:
선택 → 퀘스트 받기 → 휴대폰 주머니에 넣기 → 외출하기 → 관찰하기 → 돌아오기 → 확인하기

사용자는 이용 가능한 시간 예산(5분, 15분, 30분 또는 60분)과 공원, 뒷마당, 도심 지역, 산책로, 또는 물가와 같은 환경을 선택합니다.
TouchGrass AI는 그런 다음 자연 관찰, 새 소리 듣기, 나무껍질 만져보기, 주변 탐험하기 등 신체 활동이 포함된 감각적인 야외 마이크로 퀘스트를 생성합니다.

'주머니 모드(Pocket Mode)'가 화면을 어둡게 하고, 출발 알림음을 재생하며, 사용자에게 휴대폰을 치우고 밖에 나가라고 알려줍니다.
활동 후, 사용자는 정확히 하나의 현장 사진을 촬영합니다. 로컬 MobileNetV4 ONNX 모델이 CPU에서 직접 실행되어 관찰 내용을 분류하고 자연/야외 발견물과 모니터 및 키보드와 같은 명백한 실내 기술을 구별합니다.
활동 시간과 야외 활동 시간은 개인적인 로컬 SQLite 저널에 기록됩니다.

목표는 사용자를 애플리케이션 안에 가두는 것이 아닙니다.
목표는 그들을 밖으로 나가게 하는 것입니다.

⚠️ [IMG:N] 형식 토큰은 이미지 placeholder 입니다. 번역하지 말고 원래 위치에 그대로 유지하세요.

화면을 벗어나세요. 당신의 탐험이 시작됩니다.
사용자를 화면에서 벗어나 실제 세계로 이끌기 위해 설계된 오픈 소스 AI 마이크로-탐험 엔진입니다. CPU에서 구동되는 로컬 MobileNetV4 ONNX를 통해 약 12밀리초 만에 작동합니다.

문제점 (Problem)

현대의 개발자, 엔지니어, 사무직 근로자들은 매일 8~12시간 동안 빛나는 화면을 응시하며 보냅니다. 짧은 15분 휴식 시간에도 인지적 피로와 의사결정 마비는 사용자를 다시 화면의 도파민 루프와 무의미한 스크롤링(doomscrolling)으로 몰아넣습니다. 전통적인 내비게이션 및 피트니스 앱들은 이 문제를 더욱 악화시킵니다. 왜냐하면 이 앱들은 지속적인 화면 응시, 경로 추적, 클라우드 데이터 수집을 요구하기 때문입니다.

해결책 (Solution)

TouchGrass AI는 타협할 수 없는 원칙에 따라 작동합니다: 화면은 경험의 가장 짧은 부분이 되어야 합니다.

• 화면 시간 < 30초: 원하는 시간 예산(5분, 15분, 30분, 60분)과 즉각적인 생체 환경(공원, 뒷마당, 도심, 트레일, 워터프론트)을 선택합니다.
• 감각적 마이크로-퀘스트 (Sensory Micro-Quest): AI가 신체적이고 화면 밖에 있는 감각적 목표를 가진 실행 가능한 야외 임무를 합성해 줍니다 (나무껍질 만지기, 새소리 세기, 아스팔트 벗어나기 등).
• 주머니 속…

GitHub에서 보기

제작 과정 (How I Built It)

제품 아키텍처 (Product Architecture)
사용자 책상 앞
↓
짧은 화면 상호작용
↓
시간 + 야외 환경 선택
↓
퀘스트 엔진 (Quest Engine)
↓
감각적 야외 마이크로-퀘스트
↓
주머니 모드 (Pocket Mode)
↓
휴대폰 치우기
↓
실제 세계 야외 활동 (REAL-WORLD OUTDOOR ACTIVITY)
↓
현장 사진 / 관찰 기록 하나
↓
로컬 ONNX AI 추론 (Local ONNX AI Inference)
↓
자연 / 야외 / 실내 분류 (Nature / Outdoor / Indoor Classification)
↓
개인 로컬 SQLite 저널

OpenAI는 추가적인 챗봇 기능이라기보다는 프로젝트의 근간을 이룹니다.
저희는 제품이 야외 사용에 특화되어 있기 때문에 가벼운 오픈 웨이트 (open-weight) ONNX 모델과 로컬 추론(local inference) 방식을 선택했습니다.

개인 정보 보호 (Privacy)
현장 사진에는 누군가의 뒷마당, 정원, 동네 또는 기타 개인적인 주변 환경이 포함될 수 있습니다. 이러한 이미지를 독점 클라우드 AI 서비스로 전송하는 대신, TouchGrass AI는 사용자의 CPU에서 로컬로 처리합니다. 이 애플리케이션은 클라우드 AI API 호출이나 원격 측정(telemetry) 기능 없이 설계되었으며, 탐험 데이터는 사용자의 로컬 SQLite 데이터베이스에 남아 있습니다. GitHub

오프라인 기능 (Offline capability)
야외 활동은 셀룰러 연결이 좋지 않거나 아예 없는 장소에서 발생할 수 있습니다. 모델이 로컬로 사용 가능해지면, AI 검증 자체는 인터넷 연결을 필요로 하지 않습니다. 이는 로컬 추론 방식을 프로젝트의 야외 우선(outdoor-first) 사용 사례에 특히 적합하게 만듭니다. GitHub

반복적인 AI API 비용 없음 (No recurring AI API cost)
핵심 비전 검증은 유료 독점 비전 API나 요청당 추론 요금을 필요로 하지 않습니다. 이 모델은 표준 CPU 하드웨어를 사용하여 로컬에서 실행됩니다.

제어 및 휴대성 (Control and portability)
ONNX 기반 아키텍처는 AI 레이어를 휴대 가능하게 유지합니다. 애플리케이션은 독점 AI 제공업체 주변으로 전체 제품을 재구축할 필요 없이 다른 호환 가능한 ONNX 비전 모델을 사용할 수 있습니다.

빠른 로컬 추론 (Fast local inference)
문서화된 벤치마크에 따르면 CPU 추론 시간은 약 11~16ms이며, 이 모델은 GPU나 CUDA 환경을 요구하지 않도록 설계되었습니다.