HardFlow: el método del MIT que le pone límites a la inteligencia artificial sin necesidad de reentrenarla

Hacer que un robot llegue a un objeto sin chocar con lo que encuentra en el camino suena a tarea básica, pero para un sistema de inteligencia artificial es un problema distinto. La máquina no solo debe evitar el obstáculo: también tiene que encontrar el camino más corto posible. Cumplir la primera condición es obligatorio; mejorar la segunda es un objetivo deseable. Hasta ahora, muchas técnicas resolvían una de las dos cosas a costa de la otra. El método HardFlow, desarrollado por un equipo del Instituto de Tecnología de Massachusetts (MIT), busca equilibrar ambas exigencias en un mismo cálculo.

El ensayo más visible fue con un brazo robótico que debía alcanzar un objetivo sorteando lo que tuviera delante. La mayoría de las alternativas que se usaron como referencia terminaron en colisión o eligieron recorridos mucho más largos. HardFlow completó la tarea sin choques y por la vía más corta disponible entre las permitidas. El sistema también fue probado en recorridos por laberintos y en modificaciones de imágenes a partir de instrucciones escritas. En todos los casos cumplió las restricciones impuestas y obtuvo mejores resultados de calidad que los métodos con los que se lo comparó.

Cómo logra las restricciones sin volver a entrenar el modelo

La clave está en el momento en que se le exige al sistema que cumpla las reglas. Una técnica frecuente, llamada muestreo basado en proyección, aplica las restricciones en cada paso intermedio de la generación. Ese control permanente achica el universo de opciones que el modelo puede explorar y, con frecuencia, lo deja sin salida o lo empuja a respuestas mediocres. HardFlow, en cambio, deja mayor libertad durante los pasos internos y reserva el cumplimiento estricto de las condiciones para el resultado final. Las etapas intermedias se descartan: lo que cuenta es la respuesta completa.

Para que ese esquema funcione en modelos grandes sin volverlos prohibitivos en tiempo o costo de cómputo, el equipo partió el cálculo en problemas más chicos, aprovechando la estructura de los modelos de emparejamiento de flujo, una familia de modelos generativos que aprenden a transformar ruido aleatorio en datos coherentes. Para orientar la generación usaron herramientas de control óptimo, que aplican correcciones graduales hasta llegar a una respuesta válida. Así, las restricciones se imponen como criterios de resultado, no como jaulas permanentes durante todo el proceso.

• Cuándo se aplica: sobre modelos generativos ya entrenados, sin necesidad de reentrenarlos ni ajustarlos con nuevos datos.
• En qué se diferencia: deja libres los pasos intermedios y exige el cumplimiento de las reglas en el resultado final, mientras que el muestreo basado en proyección las aplica en cada etapa.
• Qué se evaluó: manipulación con brazos robóticos, recorridos por laberintos y edición de imágenes a partir de texto, con todas las restricciones cumplidas y mejor calidad que las referencias.
• Costo computacional: tiempos de procesamiento similares o menores a los de la mayoría de los métodos comparados.