Designing a system that turns health data into daily decisions

健康データを日々の意思決定につなげるシステムを設計しています。

Architecting the future of digital wellness by building 0-to-1, AI-driven health platforms that bridge complex data with human-centric design.

複雑なデータと人間中心のデザインをつなぐ、0→1のAI活用型ヘルスプラットフォームを構築し、デジタルウェルネスの未来を設計しています。

複雑なデータと人間中心のデザインをつなぐ、0→1のAI活用型ヘルスプラットフォームを構築し、デジタルウェルネスの未来を設計しています。

The Problem
課題

Too much data, not enough guidance

データは多い一方で、行動につながるガイダンスが不足している

Generic recommendations → low relevance

一般的なレコメンデーションでは、個々のユーザーにとっての関連性が低い

Users drop off due to fatigue + confusion

疲労感や混乱により、ユーザーの継続率が下がってしまう

Retrospect, Shirs

AI is only valuable when grounded in real user context. Trust is also a design problem, not just a technical one. Constrains (clinical, privacy) can strengthen product decisions 

AIは、実際のユーザー文脈に根ざしている時にこそ価値を発揮します。

また、信頼は技術だけの問題ではなく、デザイン上の重要な課題でもあります。

臨床やプライバシーといった制約は、プロダクト判断を弱めるものではなく、むしろ強化する要素になり得ます。

GO TOP

GO TOP

記録する から 導くへ


  • Logging calories
    カロリーを記録する

  • Calculating calories and stats
    カロリーや各種データを計算する

  • Contextual insights
    文脈に基づいたインサイトを提供する

  • Actionable recommendations
    実行しやすいレコメンデーションを提示する

  • Behavioral nudges
    行動を後押しするナッジを届ける

Effortless
Health Concious
seamless

コアコンセプト：

Foodhak Assistant Insights

“You’ve had high sodium for 3 days — here’s a small change today.”

“You’ve had high sodium for 3 days,

here’s a small change today.”

Interprets user behavior (food, sleep, activity)

食事、睡眠、活動などのユーザー行動を解釈する

Surfaces insights at the right moment

最適なタイミングでインサイトを提示する

Explains why recommendations are made

なぜそのレコメンデーションが行われたのかを分かりやすく説明する

System Thinking システム思考

Closed-loop design
クローズドループ設計

User data input —> Processing (AI engine, RAG controlled env.) —> Contextual recommendations

ユーザーデータの入力 → AIエンジンおよびRAGを活用した管理環境での処理 → 文脈に基づいたレコメンデーション

Key Product Decisions

主要なプロダクト判断

Adaptive Experience

Adaptive Experience

静的なプランではなく、認知負荷を下げる体験を重視

Proactive insights

Proactive insights

ユーザーが操作しなくても、AIが週次の進捗を自然に可視化

Value adherence pattern

Value adherence pattern

理想的なシナリオではなく、実際の行動に合わせて適応

Explainability over “magic”

Explainability over “magic”

必要に応じて、解決策やリカバリーの提案を行う

Strategic Outcome for Stakeholders

ステークホルダーにとっての戦略的成果

Platform Value
プラットフォーム価値

  • Improved adherence to routines
    ルーティンの継続率向上

  • More stable weight management
    より安定した体重管理

  • Reduced burnout from tracking
    記録による疲労感の軽減

  • Better recovery and sleep awareness
    回復状態や睡眠への意識向上

User Impact
ユーザーへの価値

  • Scalable personalization without coaching
    コーチングに依存しない、スケーラブルなパーソナライゼーション

  • Strong privacy moat (on-device data)
    オンデバイスデータによる強固なプライバシー優位性

  • Clinically defensible system
    臨床的にも説明可能で、根拠のあるシステム

  • Foundation for long-term AI health optimization
    長期的なAIヘルス最適化に向けた基盤

Business Impact
ビジネスインパクト

  • Clear differentiation from calorie trackers
    カロリートラッカーとの差別化を明確化

  • Premium personalization tier
    プレミアムなパーソナライゼーション機能への展開

  • Pathway to clinical + enterprise partnerships
    臨床領域およびエンタープライズパートナーシップへの道筋

  • Potential for publishable health outcomes
    健康成果として発表可能なデータ創出の可能性


What I'd improve next

in health — precision is valuable

What I'd improve next in health, precision is valuable

今後、ヘルス領域でさらに改善したいこと：精度には大きな価値がある

Deeper Personalization Using Longitudinal Data

今日の状態に反応するだけでなく、数週間・数か月単位のパターンを学習する

Examples:

  • Pattern Detection

    “You consistently feel fatigued on low-carb days after 3PM”

  • Adaptive Recommendations

    • Week 1: “Reduce sugar intake”

    • Week 4: “Switch lunch composition — your energy drops after this specific meal pattern”

  • Personal Baselines (not generic)

    • Your “normal” sleep = 6.5h

    • Your “optimal” = 7.2h (based on recovery data)

Comprehensive Visualization

チャートを見せるだけでは、本当の理解にはつながらない

Allow Predictive Insights

予測型インサイトを実現する：「もしこうしたら…」

Examples:

  • Order Detection

    "You ordered food from Doordash.."

  • Adaptive

    • Quick log?

  • Prediction Baseline

    • User eats lunch at 12PM - 1PM everyday.

    • You consistently snack at …

    • You might feel, want to …

Deeper Personalization Using Longitudinal Data

今日の状態に反応するだけでなく、数週間・数か月単位のパターンを学習する

Examples:

  • Pattern Detection

    “You consistently feel fatigued on low-carb days after 3PM”

  • Adaptive Recommendations

    • Week 1: “Reduce sugar intake”

    • Week 4: “Switch lunch composition — your energy drops after this specific meal pattern”

  • Personal Baselines (not generic)

    • Your “normal” sleep = 6.5h

    • Your “optimal” = 7.2h (based on recovery data)

Comprehensive Visualization

チャートを見せるだけでは、本当の理解にはつながらない

Allow Predictive Insights

予測型インサイトを実現する：「もしこうしたら…」

Examples:

  • Order Detection

    "You ordered food from Doordash.."

  • Adaptive

    • Quick log?

  • Prediction Baseline

    • User eats lunch at 12PM - 1PM everyday.

    • You consistently snack at …

    • You might feel, want to …

Retrospect, Shirs

AI is only valuable when grounded in real user context. Trust is also a design problem, not just a technical one. Constrains (clinical, privacy) can strengthen product decisions 

AIは、実際のユーザー文脈に根ざしている時にこそ価値を発揮します。

また、信頼は技術だけの問題ではなく、デザイン上の重要な課題でもあります。

臨床やプライバシーといった制約は、プロダクト判断を弱めるものではなく、むしろ強化する要素になり得ます。

AI is only valuable when grounded in real user context. Trust is also a design problem, not just a technical one. Constrains (clinical, privacy) can strengthen product decisions 

AIは、実際のユーザー文脈に根ざしている時にこそ価値を発揮します。
また、信頼は技術だけの問題ではなく、デザイン上の重要な課題でもあります。
臨床やプライバシーといった制約は、プロダクト判断を弱めるものではなく、むしろ強化する要素になり得ます。