Un método del MIT le marca límites a la inteligencia artificial sin necesidad de reentrenarla

Tomarse el trabajo de volver a entrenar una inteligencia artificial cada vez que se le quiere fijar una condición nueva resulta costoso y, en muchos casos, inviable. Un equipo del Instituto de Tecnología de Massachusetts (MIT) probó un método que busca sortear ese obstáculo: HardFlow, un sistema que impone restricciones sobre modelos generativos ya entrenados, sin modificar el entrenamiento original.

Un brazo robótico que esquiva y acorta camino

En uno de los ensayos, los autores consultados por el equipo investigador relataron que se le planteó a un brazo robótico una tarea concreta: llegar hasta un objeto sin chocar con los obstáculos del recorrido. HardFlow permitió que el brazo encontrara el camino más rápido hacia su objetivo. La mayoría de las alternativas evaluadas provocó colisiones o eligió recorridos considerablemente más largos.

El caso muestra una aplicación concreta del enfoque: combinar límites obligatorios con objetivos de eficiencia. Para un robot, evitar un choque es una condición que debe respetarse; reducir la distancia hasta el destino es una mejora que puede buscarse entre los recorridos permitidos. HardFlow permite abordar ambas exigencias dentro del mismo proceso.

Cómo se diferencia de las técnicas anteriores

La diferencia está en el momento en que se exige cumplir las reglas. Una técnica utilizada como referencia, el muestreo basado en proyección, impone las restricciones en cada etapa de la generación. Ese ajuste continuo puede reducir las opciones que el sistema explora y dificultar que encuentre una solución mejor.

HardFlow, en cambio, permite mayor libertad durante los pasos internos y exige que el resultado final respete las condiciones establecidas. El trabajo describió que las etapas intermedias del cálculo se descartan, y que el equipo utilizó herramientas de control óptimo para orientar la generación mediante correcciones graduales hacia una respuesta válida. Para hacer viable ese funcionamiento, los autores consultados por el equipo investigador dividieron el cálculo en problemas más pequeños, aprovechando la estructura de los modelos de emparejamiento de flujo.

Qué se evaluó y qué resultados se obtuvieron

• Manipulación con robots: un brazo robótico esquivó obstáculos y eligió el recorrido más corto hacia un objeto, cuando la mayoría de las alternativas chocaba o se demoraba mucho más.
• Recorridos por laberintos: el sistema encontró salidas cumpliendo todas las restricciones establecidas.
• Modificaciones de imágenes a partir de instrucciones escritas: las ediciones respetaron las condiciones pedidas y, según el trabajo, la calidad de las soluciones superó de manera consistente a la de los métodos usados como referencia.
• Tiempos de procesamiento: el trabajo reportó que fueron similares o menores a los de la mayoría de las alternativas comparadas.

El conjunto de evaluaciones sugiere que imponer reglas desde el inicio no siempre es la mejor estrategia. Dejar que el modelo explore con más libertad durante los pasos intermedios y corregir el rumbo de manera gradual hacia el final permitió, en los casos examinados, cumplir todas las restricciones y obtener mejores resultados de calidad que los métodos usados como referencia.