AIじゃんけん
カメラに手を出してAIとじゃんけん対決。パターン学習モードではAIがあなたの癖を学習して強くなります。
遊び方
カメラを起動
「カメラを起動して開始」ボタンを押してカメラへのアクセスを許可します。
グーを出す
カメラに向かってグー（✊）を出します。グーを1秒キープすると自動でカウントダウンが始まります。
カウントダウン
「じゃん…けん…ぽん！」の3秒カウントダウン。「ぽん！」のタイミングで出したい手に変えましょう。
判定
カウント終了時の手の形でAIと勝負。結果がスコアボードに反映されます。
2つのAI戦略モード
🎲 ランダムモード
AIが毎回1/3の確率でグー・チョキ・パーをランダムに選びます。理論上は勝率33.3%に収束するフェアな対戦です。
🧠 学習モード
マルコフ連鎖（2次）であなたの手の出し方のパターンを分析。過去の「直近2手→次の手」の遷移確率から次の手を予測し、それに勝つ手を出します。対戦を重ねるほどAIが強くなります。
技術解説
ジェスチャー認識
MediaPipe GestureRecognizerで7種類のジェスチャーを認識。そのうちClosed_Fist（グー）、Victory（チョキ）、Open_Palm（パー）の3つをじゃんけんに使用します。
マルコフ連鎖予測
学習モードではユーザーの過去の手を記録し、直近2手の遷移パターンから次の手を予測。予測された手に勝てる手をAIが選びます。
パターン学習
対戦履歴はlocalStorageに保存。ブラウザを閉じても学習データが保持されます。リセットボタンで学習データを初期化できます。
完全ブラウザ内処理
カメラ映像・対戦データすべてブラウザ内で完結。サーバーへのデータ送信は一切ありません。
ジェスチャーじゃんけんAIの活用事例
AI教育・体験学習
じゃんけんを通じてAIの学習・予測の仕組みを体験。マルコフ連鎖やパターン認識の概念を直感的に理解できる教材として活用。
店頭デジタルサイネージ
店舗入り口にカメラ付きディスプレイを設置し、来店客がAIとじゃんけん。勝てば割引クーポンを発行するなど販促に活用。
リハビリ・手指訓練
グー・チョキ・パーの動作を繰り返すことで手指の運動機能を訓練。ゲーム性があることでモチベーションを維持しやすい。
イベント・展示会
展示ブースでの集客ツールとして活用。来場者がAIと対戦し、最高連勝記録を競うなどエンゲージメント向上に。
ジェスチャーUI開発の基盤
手のジェスチャーを入力インターフェースとして活用するシステムの基盤技術。非接触UIや手話認識への発展が可能。
行動分析・心理学研究
じゃんけんの手の出し方のパターン分析により、人間の意思決定プロセスや認知バイアスの研究材料として活用。
認識精度を上げるコツ
グーの出し方
全ての指をしっかり握り込みましょう。親指を外に出すとサムズアップと誤認識されることがあります。
チョキの出し方
人差し指と中指をはっきり開き、他の指はしっかり握ります。指が近すぎると認識が不安定になります。
パーの出し方
5本の指を大きく開きましょう。指同士が離れているほど認識精度が上がります。
明るい場所で
手全体が均一に明るく映る環境が理想的です。逆光や強い影は手のランドマーク検出を阻害します。
適切な距離
カメラから30〜80cm程度の距離で、手全体がフレーム内に入るようにしてください。近すぎるとフレームアウトします。
手のひらをカメラに
手の甲よりも手のひらをカメラに向けた方がジェスチャーの認識精度が高くなります。「ぽん！」の瞬間に手のひらを正面に。
独自のジェスチャーゲーム・対話システムを構築する
じゃんけん以外にも、カスタムジェスチャーを使ったゲームや対話型インターフェースを構築できます。
カスタムジェスチャー定義
認識させたいジェスチャー（数字、指文字、独自のサイン等）を定義し、サンプル動画を撮影。1ジェスチャーあたり100〜300サンプルが目安。
ランドマーク抽出＋分類モデル学習
MediaPipeで21点の3D座標を抽出し、指の角度・開閉度を特徴量として分類モデル（MLP/SVM）を学習。TensorFlow.jsへ変換してブラウザ実行も可能。
ゲームロジック・UI設計
スコアリング、難易度調整、演出効果などゲームメカニクスを設計。デジタルサイネージやタブレット向けのUI最適化も実施。
エッジデプロイ＆運用
ブラウザ・キオスク端末・デジタルサイネージに展開。オフライン動作対応で通信環境を問わず利用可能。
精度改善サイクル
学習環境と費用の比較（実績ベース）
カスタムジェスチャー分類モデル（MLP + LSTM）：カスタムデータセット3,000サンプル・80エポックの場合
| 学習環境 | VRAM | 時間単価 | 学習時間 | 1回の学習費用 |
|---|---|---|---|---|
| GCP A100（東京） | 40GB | 約628円/時 | 1〜2時間 | 628〜1,256円 |
| さくら高火力 H100 | 80GB | 約1,008円/時 | 0.5〜1時間 | 504〜1,008円 |
| 当社 RTX PRO 6000 | 96GB | 固定費のみ | 2〜4時間 | 追加費用なし |
| RTX 4090（個人） | 24GB | — | 1〜3時間 | 電気代のみ |
ジェスチャー認識の特徴：角度や速度の閾値調整が精度に大きく影響するため、20〜50回の試行錯誤が一般的です。 クラウドで50回試行すると2.5万〜6.3万円に達するケースもあります。当社環境なら追加費用なしで何度でも最適化できます。
※ 価格はGCP東京リージョン・さくらインターネット高火力DOKの2025年公表価格に基づく。為替レート155円/USDで換算。
カスタムジェスチャーゲーム・対話システムの開発
店頭サイネージ、教育コンテンツ、リハビリ支援など、用途に特化したジェスチャー認識アプリケーションを構築できます。 当社のNVIDIA RTX PRO 6000 Blackwell環境を活用し、従量課金なしで何度でもパラメータ調整・再学習が可能です。
AIじゃんけんに最適なエッジAI機材
ブラウザでのデモ体験後、本格的にエッジAIじゃんけんシステムを構築するための推奨機材です。
※ 上記リンクはアフィリエイトリンクです。購入により当サイトに収益が発生する場合があります。