Ponerle límites a la IA sin volver a entrenarla: el truco del MIT para que un robot no choque contra todo

¿Querés que un robot cumpla órdenes sin romper lo que ya aprendió? Sí, se puede. Y se llama HardFlow, un desarrollo del MIT que promete sacarle jugo a modelos de inteligencia artificial ya entrenados sin necesidad de volver a mandarlos a la escuela. La idea es simple en suplanteo y potente en los hechos: agregarle condiciones obligatorias en el momento de usar la IA, no cuando se la entrena.

La sigla no existe: HardFlow es un nombre propio. Lo que hay detrás es un esquema que funciona sobre los modelos generativos, o sea, esos sistemas de IA que crean contenidos (imágenes, trayectorias, decisiones) en base a patrones aprendidos. Para que se entienda en casa: es como si a un cocinero ya formado le impusieras la regla de no usar sal, pero sin obligarlo a volver a estudiar gastronomía. La restricción se aplica cuando está cocinando.

¿Qué hizo el brazo robótico para que la prueba valiera la pena?

En uno de los ensayos, le pidieron a un brazo robótico llegar hasta un objeto sin chocarse con lo que tuviera alrededor. HardFlow no solo evitó los obstáculos: además eligió el recorrido más corto. Las alternativas evaluadas como referencia, o bien provocaban choques, o bien elegían caminos bastante más largos. La diferencia fue notable.

El sistema también fue puesto a prueba en laberintos y en tareas de edición de imágenes a partir de instrucciones escritas. En todos los casos, cumplió las restricciones y, según el trabajo, logró mejores resultados de calidad que los métodos usados como comparación. El tiempo de procesamiento fue similar o menor al de la mayoría de las alternativas.

• Sirve para modelos ya entrenados, no hace falta recalibrarlos.
• Funciona con modelos generativos de emparejamiento de flujo (sistemas que aprenden a transformar datos simples en resultados complejos, como un plano que se vuelve un edificio).
• Las restricciones se aplican al final del proceso, no paso a paso, lo que le da más libertad para encontrar soluciones mejores.
• Fue probado con brazos robóticos, laberintos y edición de imágenes, y en todos los casos cumplió las reglas y mejoró la calidad.

¿Por qué importa que las reglas se apliquen al final y no en cada paso? Porque si ajustás la IA en cada etapa, le achicás el abanico de opciones y le terminás complicando la búsqueda de una buena respuesta. HardFlow deja que las etapas internas se resuelvan con libertad, y recién al final chequea que el resultado respete las condiciones. Para eso usa herramientas de control óptimo: cálculos que van corrigiendo el rumbo de a poco hasta llegar a una respuesta válida. Veremos.