HardFlow, el método del MIT que le marca reglas a la inteligencia artificial sin necesidad de reentrenarla

Pensar en una inteligencia artificial que ya sabe hacer su trabajo y a la que, de todas formas, se le puede pedir que cumpla reglas nuevas sin mandarla de vuelta a la escuela. Eso es, en criollo, lo que ofrecio HardFlow, un método desarrollado por investigadoras e investigadores del Instituto de Tecnología de Massachusetts, más conocido como MIT por sus siglas en inglés. La particularidad es que las condiciones se agregan cuando el modelo ya está en uso, sin necesidad de entrenarlo otra vez.

En una de las pruebas, un brazo robótico tenia que llegar hasta un objeto sin chocarse con los obstáculos del recorrido. La mayoría de las técnicas con las que se lo comparó provocó colisiones o eligió caminos sensiblemente más largos. HardFlow, en cambio, encontró la trayectoria más corta entre las que cumplian la condición de no chocar. Para un robot, evitar un golpe es una restricción innegociable; acortar la distancia es una mejora deseable pero secundaria. La novedad es poder pensar ambas cosas en un mismo proceso.

Cómo funciona HardFlow

La técnica opera sobre un tipo de modelos generativos llamados modelos de emparejamiento de flujo. Para graficarlo de modo doméstico, imagine una red de cañerias por las que circula agua: el modelo toma el agua de un punto de partida, la hace pasar por varias etapas intermedias y la entrega en un punto de llegada. Cada etapa transforma un poco el resultado. El truco está en que el cálculo se puede cortar en pedazos más chicos, y eso es lo que aprovecha HardFlow: trata de cumplir las reglas no en cada paso, sino sobre el resultado final.

La diferencia con el método que se uso como referencia, llamado muestreo basado en proyección, es precisa: esa otra técnica ajusta las restricciones etapa por etapa, como si revisara la cañería tramo por tramo y fuera cerrando canillas. El problema es que, al hacerlo, puede reducir las opciones que el sistema explora y terminar eligiendo un camino peor. HardFlow deja correr las etapas intermedias con más libertad, descarta sus ajustes parciales y, al final, corrige el resultado con herramientas matemáticas de control óptimo, que funcionan como una guia gradual que empuja la generación hacia una respuesta válida.

• Manipulación con robots: un brazo encontró el camino más corto hacia un objeto sin chocar con los obstáculos del entorno.
• Recorridos por laberintos: el sistema cumplio las restricciones de cada prueba y mejoro la calidad de las soluciones frente a los métodos de referencia.
• Edición de imágenes a partir de instrucciones escritas: las modificaciones respetaron las condiciones pedidas y arrojaron resultados de mayor calidad que las alternativas evaluadas.

Qué falta para que llegue a todos

Por ahora, HardFlow es un resultado de laboratorio. Funcionó en las tareas que el equipo del MIT diseño para evaluarlo y los tiempos de procesamiento fueron similares o menores a los de la mayoría de los métodos con los que se lo comparó, pero todavia no se probó a escala productiva ni en sistemas que deban responder en tiempo real, como un auto autónomo o un robot de fábrica. Tampoco se difundieron planes de integración con plataformas comerciales. El siguiente paso, señalan las y los autores, es comprobar cómo se comporta con modelos más grandes y en aplicaciones donde una decisión equivocada tenga consecuencias concretas, antes de pensar en un desembarco masivo.