HardFlow, el método del MIT que le pone límites a la inteligencia artificial sin volver a entrenarla

Te imaginas pedirle a un robot que cruce una habitación hasta agarrar una taza sin chocar con la mesa, la silla y el perro echado en el piso? Eso, que parece un trámite doméstico, es uno de los problemas más espinosos de la robótica: cómo combinar lo que sí o sí tiene que cumplir con lo que sería deseable que cumpla. Un equipo del Instituto de Tecnología de Massachusetts, más conocido como MIT, le encontró la vuelta con un método llamado HardFlow.

La prueba más concreta fue con un brazo robótico al que le ordenaron llegar hasta un objeto esquivando lo que se le cruzara. HardFlow le permitió sortear los obstáculos y, además, elegir el camino más corto. Las alternativas con las que lo compararon terminaron chocando o dando rodeos mucho más largos.

Para qué sirve y por qué importa

La idea de fondo es sencilla de explicar con una comparación cotidiana. Pensalo como manejar hasta el trabajo: hay reglas que no se negocian, como respetar los semáforos, y hay metas que querés cumplir, como llegar lo antes posible. HardFlow hace algo parecido con la inteligencia artificial: le marca condiciones obligatorias y, dentro de ese marco, busca la mejor solución posible.

• Cumplir condiciones de seguridad sin necesidad de reentrenar el modelo de inteligencia artificial.
• Encontrar recorridos más eficientes entre las opciones que ya respetan esas condiciones.
• Funcionar sobre modelos generativos ya entrenados, actingo en el momento en que se los utiliza.

La diferencia con otros métodos

La técnica que se usaba hasta ahora como referencia, llamada muestreo basado en proyección, va corrigiendo el resultado paso a paso, en cada etapa de la generación. El problema es que, al ajustar todo el tiempo, termina limitando tanto las opciones que el sistema explora que le cuesta encontrar una buena solución final.

HardFlow toma otro camino: deja que las etapas internas del cálculo se resuelvan con mayor libertad y recién al final exige que se respeten las condiciones. Para que esto fuera viable, los investigadores dividieron el cálculo en problemas más chicos, aprovechando cómo están estructurados los modelos de emparejamiento de flujo, y usaron herramientas de control óptimo para ir corrigiendo la generación de manera gradual hasta llegar a una respuesta válida.

Qué se probó y qué resultado dio

Las evaluaciones no se quedaron en la robótica. El equipo sometió a HardFlow a tres tipos de tareas distintas:

• Manipulación con robots, incluido el caso del brazo que esquiva obstáculos.
• Recorridos por laberintos, donde había que encontrar la salida respetando ciertas reglas.
• Modificación de imágenes a partir de instrucciones escritas, donde el sistema debía cumplir condiciones puntuales en la edición.

En todos los casos, el método cumplió con las restricciones establecidas y, según reportó el trabajo, logró soluciones de mayor calidad que las referencias tomadas como comparación. El tiempo de procesamiento fue similar o incluso menor al de la mayoría de las alternativas evaluadas.

Si te toca convivir con un robot en casa o te interesa cómo se le enseñan límites a la inteligencia artificial sin tener que empezar de cero, HardFlow es una de esas noticias que vale guardar: muestra que se puede pedir cumplimiento y eficiencia al mismo tiempo, sin reentrenar todo desde el principio. Si te sirve, probalo.