Un método del MIT le pone límites a la inteligencia artificial sin pedirle que vuelva a la escuela

Soy Yamila Riquelme y esto me llamó la atención: un equipo del Instituto de Tecnología de Massachusetts, el MIT, presentó un método que le pone reglas a la inteligencia artificial sin necesidad de reentrenarla. La herramienta se llama HardFlow y fue puesta a prueba en robots, laberintos y edición de imágenes. En todos los casos cumplió con las condiciones de seguridad y, como frutilla del postre, obtuvo mejores resultados que los métodos que se usaban hasta ahora.

Un brazo robótico que esquiva lo que tiene que esquivar

La tarea más vistosa fue con un brazo robótico que tenía que llegar hasta un objeto sin chocar con nada en el camino. HardFlow no solo evitó los obstáculos, sino que eligió el recorrido más corto. La mayoría de los métodos alternativos o bien chocaban o bien daban muchas vueltas extra. Es como ir hasta la verdulería de la esquina: el GPS puede obligarte a no meterte en contramano, que es una regla fija, y al mismo tiempo elegir la calle más rápida, que es una mejora posible. HardFlow hace las dos cosas a la vez.

Para entenderlo mejor, vale una explicación técnica con ejemplo de la casa. Los modelos generativos son esos sistemas que crean imágenes, rutas o movimientos a partir de patrones aprendidos. HardFlow funciona sobre modelos ya entrenados, como un inspector que llega cuando la fábrica ya está en producción: no le pide al operario que vuelva a aprender el oficio, sino que verifica que lo que sale cumpla con las normas.

La diferencia está en cuándo se aplican las reglas

Hasta ahora, una técnica muy usada, llamada muestreo basado en proyección, iba corrigiendo en cada paso intermedio. Como resultado, terminaba achicando tanto las opciones del sistema que le costaba encontrar una salida mejor. HardFlow deja respirar al modelo durante el cálculo y le exige el cumplimiento de las condiciones recién en el resultado final. Las etapas intermedias se descartan: lo que cuenta es lo que entrega.

“La libertad durante los pasos internos y el control sobre el resultado final son la clave del método. Las restricciones se cumplen sin sacrificar calidad.”Equipo del MIT

Tres pruebas, todas aprobadas

• Manipulación con robots: el brazo esquivó obstáculos y eligió el camino más rápido.
• Recorridos por laberintos: el sistema encontró salidas válidas en todos los casos.
• Edición de imágenes a partir de instrucciones escritas: cumplió las restricciones y mejoró la calidad frente a los métodos de referencia.

Le consulté a Tomás, un becario del grupo, qué le había resultado más interesante del trabajo. Me dijo, con esa franqueza que solo se da en los pasillos del laboratorio: lo que más le llamó la atención fue que el tiempo de procesamiento fuera similar o incluso menor al de la mayoría de las alternativas. O sea, más seguridad sin pagar un costo extra en velocidad.

¿Y eso para qué sirve?

Para robots que trabajan en fábricas, en hospitales o en la calle y necesitan respetar límites sin perder eficiencia. También sirve para editores de imágenes con inteligencia artificial que deben ajustarse a instrucciones precisas, y para cualquier sistema generativo al que se le quiera pedir resultados válidos sin tener que volver a entrenarlo desde cero. En criollo: poner límites sin resignar calidad ni velocidad.