育児データをエンジニアリングしてみた
この記事はJINS Advent Calendar 2025の 21日目 の記事です。
はじめに
2025年10月に子供が産まれ、この記事の公開時点では育休中のエンジニアです。(ちなみに公開翌日から復帰します)
多くの子育て中の皆様が使っているかもしれないですが、我が家でも育児記録にぴよログを使っています。
上記にリンクを貼った公式ページでも書いてありますが、やはり妻と記録を共有できたり簡単授乳タイマーで記録できたりするのは非常に便利ですよね。
これを書いている数日前に初めての予防接種に行ってきたり、ちょっと前であれば1ヶ月検診があったり保健所による赤ちゃん訪問があったりして、そういった場面では必ず「どのくらいの間隔で授乳してますか」、「1日何回おしっこ/うんちをしますか」、「混合の場合ミルクってどのくらいあげてますか」みたいなことを聞かれます。
また、こういった専門家によるアドバイスの場面に限らず、ミルクの量/種類を変えてみたけどそれが排泄にどう影響しているかをみたい場面などもあります。
そんな時、ぴよログを見れば一目瞭然なので本当に助かっています。
助かりすぎていて、思わず株式会社ぴよログさんのRECRUITの情報を見てしまったのですが、私のロールの求人はなさそうでした(※転職予定はまだないです)
そんなぴよログですが、「まとめ」のデータをもうちょっと見やすくしたいよねであったり、1週間でなくもう少し長期のトレンドを見たいよね、みたいな思いはあります。

ぴよログアプリ上での可視化
そこで、このぴよログのデータをいい感じに可視化してみた話と、おまけとしてLLMにも食わせてみたけどまだインサイトを得るにはもうちょっと長期かつ種類が豊富なデータが欲しいよね!となったお話を書きます。
全体構成
テクノロジースタックは以下のような感じです。
| 役割 | コンポーネント |
|---|---|
| HW | Intel NUC |
| OS | Ubuntu |
| 環境 | Docker |
| 言語 | Python |
| DB | InfluxDB |
| 可視化 | Grafana |
| RAGフレームワーク | Amazon Bedrock ナレッジベース |
| ベクトルDB | S3 Vector |
Intel NUCはオンプレやVMwareを触っていた前職の頃にESXiの検証用サーバとして自宅に転がっていて、AWSばかり触っていることもあり直近は文鎮と化してしまっていたので、せっかくなのでUbuntuとDockerをインストールして今回活用してみました。
深刻に良くないのですが、あまりLinuxにログインしないでいるとOSレイヤ色々忘れかけるし、AWS ECSの便利な機能ばかり使っているとDockerも雰囲気で触ってしまうので、今回はちゃんとUbuntuにDockerをインストールするところからやってみて久しぶりにいいお勉強になりました。
InfluxDBは時系列DBってなんかかっこよさそうで使ってみたいじゃん!!ってだけです。
といったら元も子もないのですが、まぁ育児データ自体が時系列データそのものですし、RDBMS以外をちょっと使ってみるいい機会かしらと思ったところもあります。
また、Grafanaとの相性も良さそうでしたし。
可視化については、1つ前の私の記事の通り業務ではDatadogを使って色々なダッシュボード作ったりしているのですが、個人開発ではDatadogは使いにくいので(フリーかごく少額で個人的に使う方法ってあるのかしら)ちょっとだけ使ったこともあったGrafanaを採用しました。
RAGは最近S3 Vectorが東京リージョンでもGAしてたので、とりあえず試してみました。
実装の中身
InfluxDB
正直詳しく書いてある記事はネット上に山ほどあるのですが、私は以下を結構参考にしました。
上記にも書いてある内容とほぼ同じなのですが、InfluxDBはpointという単位でデータを扱っていて、これがRDBMSでいう行に当たるものと理解しています。
pointには、measurement、time、tag、fieldが含まれてきます。
mesurementがRDBMSでいうところのテーブルのようなものを指しており、timeは時系列データベースの通り時間を示すためのTimeStampで、fieldがデータを指しています。
tagはインデックス化され、フィルタリングで使えるような要素になります。
今回のぴよログのデータなら、例えばミルクの量については
{
"measurement": "piyolog",
"tags": {
"event_type": "formula", # イベント種別定義
"baby_name": "太郎" # 名前
},
"fields": {
"amount_ml": 80 # ミルクの量
},
"timestamp": "2025-11-01T17:15:00Z" # タイムスタンプ
}
といった構造にしており、RDBMS的にはpiyologテーブルの中にtimestamp(時刻)とamount_ml(ミルク量)がデータとして入っています。tagsのevent_typeは今回であればformula(粉ミルク)やpee(おしっこ)、temperature(体温)などが入り、baby_name(赤ちゃんの名前)でフィルタリングできるような構造にしてあります。
ぴよログのデータ処理
まず、ぴよログはAPI公開されていません!!(重要)
(ちょまどさんも以前同じこと言ってた)
なので、ぴよログのエクスポート機能を使って手動でデータを出力し、それを利用するようにしています。
そして、そのデータが以下のようなtxtファイルで出力されます。
2025/11/1(土)
太郎 (2ヶ月XX日)
02:15 おしっこ
02:15 母乳 左 XX分 → 右 YY分
02:50 ミルク ZZml
03:05 うんち
・・・
23:35 おしっこ
母乳合計 左 XX分 / 右 YY分
ミルク合計 Z回 AAml
睡眠合計 B時間C分
おしっこ合計 D回
うんち合計 E回
----------
2025/11/2(日)
太郎 (2ヶ月YY日)
(以下略)
はい、そのままでは取り込ませにくいことこの上ないんですよね。
なので、これらは正規表現でいい感じにパースしました。
ここは、最初に来る日付行であれば
date_match = re.match(r"(\d{4})/(\d{1,2})/(\d{1,2})\([日月火水木金土]\)", line)
その後の各イベント行は下記のように処理します。
event_match = re.match(r"(\d{2}):(\d{2})\s+(.+)", line) # ここで時刻から始まるイベント行をマッチさせる
hour, minute, content = event_match.groups() # それぞれの項目にグルーピング
timestamp = f"{current_date}T{hour}:{minute}:00"
content = content.strip() # 空白行とかを消す
処理されたcontentは内容によってさらにパースを分けています。
例えば、ミルクであれば以下のような感じで、ミルクの量をとってきます。
elif content.startswith("ミルク"):
ml_match = re.search(r"(\d+)ml", content)
if ml_match:
yield {
"timestamp": timestamp,
"event_type": "formula",
"amount_ml": int(ml_match.group(1))
}
元データにある合計値に関しては、Grafanaで可視化をかけるタイミングで集計する想定で取り込まないようにしています。
Docker周り
本環境は、Grafanaを稼働させるコンテナ、InfluxDBを稼働させるコンテナ、ぴよログのデータを処理しInfluxDBに投入するコンテナの3つが登場人物です。
パスワードなどがそのまま直書きされないように、.envで外出しして、環境変数から読むようにしたくらいです。
version: '3.8'
services:
influxdb:
image: influxdb:2.7
container_name: influxdb
ports:
- "8086:8086"
environment:
- DOCKER_INFLUXDB_INIT_MODE=setup
- DOCKER_INFLUXDB_INIT_USERNAME=${INFLUXDB_INIT_USERNAME}
- DOCKER_INFLUXDB_INIT_PASSWORD=${INFLUXDB_INIT_PASSWORD}
- DOCKER_INFLUXDB_INIT_ORG=${INFLUXDB_INIT_ORG}
- DOCKER_INFLUXDB_INIT_BUCKET=${INFLUXDB_INIT_BUCKET}
- DOCKER_INFLUXDB_INIT_ADMIN_TOKEN=${INFLUXDB_INIT_ADMIN_TOKEN}
volumes:
- influxdb-storage:/var/lib/influxdb2
- influxdb-config:/etc/influxdb2
restart: unless-stopped
grafana:
image: grafana/grafana:latest
container_name: grafana
ports:
- "3000:3000"
environment:
- GF_SECURITY_ADMIN_USER=${GRAFANA_ADMIN_USER}
- GF_SECURITY_ADMIN_PASSWORD=${GRAFANA_ADMIN_PASSWORD}
- GF_INSTALL_PLUGINS=
volumes:
- grafana-storage:/var/lib/grafana
restart: unless-stopped
depends_on:
- influxdb
piyolog-parser:
build:
context: .
network: host
container_name: piyolog-parser
environment:
- INFLUXDB_TOKEN=${INFLUXDB_TOKEN}
- INFLUXDB_ORG=${INFLUXDB_ORG}
- INFLUXDB_BUCKET=${INFLUXDB_BUCKET}
volumes:
- ./data:/data
restart: unless-stopped
depends_on:
- influxdb
volumes:
influxdb-storage:
influxdb-config:
grafana-storage:
Dockerfileは必要なパッケージ入れて、スクリプトコピーしてcronをインストールしているだけのシンプルなものです。
FROM python:3.11-slim
WORKDIR /app
# 必要なパッケージをインストール
RUN pip install --no-cache-dir influxdb-client requests
# Pythonスクリプトをコピー
COPY piyolog_parse.py /app/
COPY switchbot_fetch.py /app/
# cronをインストール
RUN apt-get update && apt-get install -y cron && rm -rf /var/lib/apt/lists/*
# エントリーポイントスクリプトをコピー
COPY entrypoint.sh /app/
RUN chmod +x /app/entrypoint.sh
ENTRYPOINT ["/app/entrypoint.sh"]
entrypoint.shもcronをしかけ、ログを仕掛け、コンテナが落ちないようにするといった内容です。
上にも書いた通り、ぴよログにはAPIはなく手動エクスポートのみなので、1日の終わりにエクスポートしそれを特定のフォルダにおいておき夜中に取り込むような形にしています。(無事時々忘れる)
#!/bin/bash
set -e
# ぴよログ: 毎日深夜2時
echo "0 2 * * * cd /app && python piyolog_parse.py /data/input.txt --influxdb --url http://influxdb:8086 --token \${INFLUXDB_TOKEN} --org \${INFLUXDB_ORG} --bucket \${INFLUXDB_BUCKET} >> /var/log/cron.log 2>&1" > /etc/cron.d/piyolog-cron
# cron実行権限を設定
chmod 0644 /etc/cron.d/piyolog-cron
# cronに登録
crontab /etc/cron.d/piyolog-cron
# ログファイルを作成
touch /var/log/cron.log
echo "Cron jobs registered:"
echo " - Piyolog parser: Daily at 2:00 AM"
echo "Starting cron daemon..."
# cronをフォアグラウンドで実行
cron && tail -f /var/log/cron.log
Grafanaでの可視化
InfluxDBからデータ取り込みのため、データソースの設定を実施します。
言語はInfluxDB 2.X系のFLuxとし、あとはURLやOrganization、Tokenを設定してあげる程度です。

データソースの設定画面
あとは、DashboardでVisualizationからデータソースにInfluxDBを指定し、クエリを書いてあげる流れ。
例えば、日別のミルク量であれば以下となります。
from(bucket: "mybucket")
|> range(start: v.timeRangeStart, stop: v.timeRangeStop)
|> filter(fn: (r) => r._measurement == "piyolog")
|> filter(fn: (r) => r.event_type == "formula")
|> filter(fn: (r) => r._field == "amount_ml")
|> aggregateWindow(every: 1d, fn: sum, createEmpty: false)
|> yield(name: "daily_formula")
measurementやtags、fieldでフィルターをかけたあと(SQLで言うところのWHERE)、aggregateWindowで合計をとっている(SQLで言うところのSUM)感じです。
実際の作成したダッシュボードが以下となります。

作成したダッシュボード
これは11月ごろ1ヶ月をタイムウィンドウにしてミルクの量とうんちの回数を可視化したものになっていて、やっぱ長期でトレンドを折れ線グラフで見れるの素敵ですよね。
例えば、11月後半ごろに助産師さんの指導で一時的に少しミルクの総量を減らしていたのですが、その影響でうんちの回数が減ってる?みたいなのも見やすくなりました。
RAGしてみた
ある程度データが使える形(=あくまで私の基準(経験)ベースでLLMに食わせてなんとかなりそう)になったので、データをLLMに食わせて色々やってみたいよねと思い、とりあえずRAGしてみました。
せっかくなので、つい先日GAになり東京リージョンにもやってきたAWS S3 Vectorを使って、Amazon Bedrock Knowledge BaseのベクトルストアをAWS S3 Vectorに設定してさくっとRAGを組んでみました。
以下のような記事を見つけ、「AWS S3 VectorでTerraformいけそうじゃん!!」と思いTerraformで上記構成をTerraformでも組んでみようとしたのですが、まだこの記事を書いている時点ではAmazon Bedrock Knowledge BaseでTerraformからベクトルストアをAWS S3 Vectorに設定する機能はまだリリースされておらず....
この辺追う限り、AWS Providerのv6.27.0がリリースされれば使えるようになってそうな気もするので、ひょっとしたら年内には使えるようになっているかもです!
マネコンから構築する手順は以下クラメソさんの記事が完璧にまとめてくださっているので、これを参考に構築しました。
この通り、東京リージョンでもS3 Vectorが作れます!

東京リージョンにできているS3 Vector
S3バケットにはInfluxDBに書き込むデータをcsv形式にして配置し、それをベクトルバケットでベクトルインデックスにしています。
これをナレッジベース側でデータソース/ベクトルデータベースとしてナレッジベースを構築しました。
その結果が以下となります。
「どんな内容を確認できますか」と聞くと

質問への回答1
「ミルクの量が少ないと、排泄が少ないみたいな相関はある」と聞くと

質問への回答2
のように返してくれます。
はじめにに書いた通り、まだデータ量や種類が少なく何かインサイトを得られるまではできてないですが、ある程度データが増えてくれば使えそうな予感はします。
定期的に育児レポートを作ってもらう見たいのも素敵だなと考えています。
また、この構成はベクトルデータベースがS3 Vectorということもあってかなり激安で構築できるのも素敵です。
業務にてKendraを使ったRAGを組んだりもしているのですが、Kendraを維持するだけで月額で10万円以上かかってしまうので、正直個人開発ではコスト的に無理です。
今回でいえば、データ量も大きくないのでS3バケット/S3ベクトルバケットにはほとんどお金はかかっておらず、BedrockのInvokeModelへの課金が大半といった状況です。
まとめ
ぴよログのデータを使って、可視化からRAGまで色々試してみました。
可視化は自分の見たいようにデータをいじれるので当然便利なのと、もうちょっとデータが溜まればやれることは増えそう。
細切れ睡眠すぎて記録を取るのが辛いのでとってないのですが、もうちょっとリズムが安定してきたら睡眠データもとってみたいのと、家の各所に撒いてある温度・湿度・CO2濃度のセンサーデータも取り込めたら幅広がりそうとか考えています。
最近だと下記記事も話題になっていましたが、育児データとLLMは色々これから出てきそう。
また、ここで書いたコードのほとんどはClaude Codeを使って書いてもらっています。
この開発のためにClaude Proプランに入っちゃいました。
私は普段もチャッピーではなくClaudeくんに色々相談しているので(最近は妻と共に毎日のように育児のあれこれを聞きまくっている)、全然Payしてそうだなと。
普段の業務では別のAIコーディングエージェントさんを使っており、そろそろClaude Codeにも手を出さねばとずっと思いつつ手を出せていなかったので今回出してみて、今まさに慣れようとしているフェーズです。
今回は育児の片手間で開発していたので(抱っこしながらだったり、今もバウンサーを揺らしながら書いている)、そういった中である程度やりたいことが決まっていて要件に落とせればちゃんと動くコード書いてくれて、その後も微調整や細かいツッコミにも対応していくれるのはもう欠かせない存在ですよね。
Discussion