HardFlow, el método del MIT que enseña a la inteligencia artificial a cumplir reglas sin perder eficiencia

En las pruebas realizadas por el equipo del Instituto de Tecnología de Massachusetts, un brazo robótico debía desplazarse hasta un objeto determinado sin colisionar con los obstáculos presentes en su trayectoria. El algoritmo HardFlow, desarrollado por ese grupo de investigación, permitió que la máquina identificara el recorrido más corto dentro de las alternativas permitidas. La mayoría de los métodos empleados como comparación provocó choques o seleccionó caminos significativamente más extensos, según se reportó en el trabajo difundido por el MIT.

El caso expone una aplicación concreta del enfoque propuesto: articular límites obligatorios con metas de eficiencia. Para un robot, esquivar un obstáculo constituye una condición que debe respetarse en cualquier circunstancia; acortar la distancia hasta el punto de destino representa una optimización que puede perseguirse entre los trayectos admisibles. HardFlow permite tratar ambas exigencias dentro de un mismo proceso de cálculo, sin necesidad de priorizar una sobre la otra.

Intervenir sin reentrenar

La incorporación del método no demanda un reentrenamiento de la inteligencia artificial sobre la cual se aplica. HardFlow opera sobre modelos generativos que ya atravesaron su fase de aprendizaje y actúa en el momento en que esos modelos son utilizados. Para tornar viable ese funcionamiento, el equipo de investigación fragmentó el cálculo en problemas de menor tamaño, aprovechando la arquitectura de los modelos de emparejamiento de flujo.

La diferencia respecto de otras técnicas se ubica en el instante en que se exige el cumplimiento de las reglas. El muestreo basado en proyección, una de las estrategias utilizadas como referencia, impone las restricciones en cada etapa del proceso de generación. Ese ajuste permanente puede acotar el conjunto de opciones que el sistema explora y, con ello, dificultar la localización de una respuesta de mayor calidad.

• HardFlow permite mayor libertad durante los pasos internos y exige que el resultado final respete las condiciones establecidas.
• Las etapas intermedias del cálculo se descartan, ya que lo que importa es la coherencia de la respuesta final.
• El equipo empleó herramientas de control óptimo para orientar la generación mediante correcciones graduales hacia una solución válida.

Las evaluaciones abarcaron tareas de manipulación con brazos robóticos, recorridos por laberintos y modificaciones de imágenes a partir de instrucciones escritas. El trabajo reportó que todas las restricciones se cumplieron en los casos examinados y que la calidad de las soluciones superó de manera consistente a las de los métodos de referencia. El tiempo de procesamiento se mantuvo en niveles similares o inferiores al de la mayoría de las alternativas comparadas, de acuerdo con la descripción técnica del equipo del MIT.

Implicancias para el desarrollo de sistemas autónomos

La posibilidad de fijar condiciones de seguridad sobre modelos ya entrenados reviste interés en áreas donde la inteligencia artificial debe ajustarse a normas precisas sin perder capacidad de optimización. En robótica, edición de imágenes asistida por instrucciones textuales y resolución de problemas con restricciones, el procedimiento ensayado por el MIT abre una vía para compatibilizar el cumplimiento de reglas con la búsqueda de mejores resultados, una combinación que hasta ahora solía resolverse con compromisos entre seguridad y desempeño.