Un método del MIT le pone límites a la inteligencia artificial sin necesidad de enseñarle de nuevo

Te pasa con la IA: querés que cumpla ciertas reglas, pero la solución suele ser entrenarla de nuevo. Un equipo del MIT encontró otra puerta. Diseñó HardFlow, un método que le exige condiciones a la inteligencia artificial sin pasar por la sala de entrenamiento.

Pongámoslo en criollo. Imaginate que mandás a alguien a buscar algo al galpón de al lado, pero sin pisar los charcos. Una cosa es volver a explicarle todo el recorrido desde cero, y otra muy distinta es darle la orden al final y dejar que él se arregle para cumplirla. HardFlow trabaja así: respeta los límites en el resultado, no en cada paso intermedio.

Qué hizo el brazo robótico

En las pruebas, un brazo robótico tenía que llegar hasta un objeto sin chocar con lo que encontrara en el camino. HardFlow lo llevó por el camino más corto. Las alternativas evaluadas o se chocaban o elegían recorridos bastante más largos. La diferencia fue notable: la mayoría de los métodos terminó en colisión o en trayectos innecesariamente extensos.

• Un brazo robótico esquivó obstáculos y encontró el camino más corto hacia un objeto.
• El sistema también fue evaluado en laberintos y en edición de imágenes a partir de instrucciones escritas.
• Todas las restricciones se cumplieron y la calidad de las soluciones superó a los métodos de referencia.

Lo interesante es que se puede usar sobre modelos generativos que ya están entrenados. Actúa justo en el momento en que esos modelos se ponen a trabajar, lo que evita volver a entrenarlos. El equipo del MIT logró esto dividiendo el cálculo en problemas más chicos, sacando ventaja de la estructura interna de los modelos de emparejamiento de flujo.

La diferencia con la técnica más usada, el muestreo basado en proyección, está en cuándo se aplican las reglas. Ese sistema las impone en cada etapa de la generación, lo que achica las opciones que explora y le complica la búsqueda de una mejor solución. HardFlow deja más libertad en los pasos internos y exige el cumplimiento solo en el resultado final. Para eso usó herramientas de control óptimo que corrigen de a poco y orientan la generación hacia una respuesta válida.

El tiempo de procesamiento fue similar o menor al de la mayoría de los métodos con los que se lo comparó. La evaluación cubrió tareas de manipulación con robots, recorridos por laberintos y modificaciones de imágenes. En todos los casos se cumplieron las restricciones y la calidad mejoró de manera consistente frente a las referencias.

El trasfondo es claro: a veces el problema no es que la IA no sepa hacer algo, sino que no respeta ciertos límites. HardFlow propone una manera de ponerle esos límites sin pedirle que empiece de cero, algo que en la práctica puede ahorrar tiempo y recursos. Si te sirve, probalo.