HardFlow: el método del MIT que le pone límites a la inteligencia artificial sin pedirle que vuelva a aprender

Vuelvo a acordarme de aquella vez que vi un brazo robótico en una feria de ciencias, allá por 2016, moverse con una torpeza conmovedora mientras un grupo de chicos le gritaba instrucciones que, claro está lleno de la mejor voluntad, el aparato ignoraba por completo. La imagen me quedó grabada porque mostraba algo que los investigadores del Instituto de Tecnología de Massachusetts, el famoso MIT, acaban de confirmar con números: a veces, para que una máquina cumpla lo que le pedimos, hace falta cambiar la manera en que le exigimos, y no tanto la máquina en sí. De eso se trata HardFlow, un método que permite imponer condiciones de seguridad a la inteligencia artificial sin necesidad de volver a entrenar los modelos desde cero.

El ensayo más vistoso fue el del brazo robótico. Los investigadores le plantearon una tarea sencilla de enunciar pero compleja de resolver: llegar hasta un objeto evitando los obstáculos que aparecían en el camino. El algoritmo logró que el brazo encontrara el recorrido más rápido hacia su objetivo. La mayoría de las alternativas que se evaluaron como referencia terminó provocando alguna colisión o eligiendo trayectorias bastante más largas de lo necesario, algo que en el mundo de la robótica no es un detalle menor, porque un choque implica desde un desperfecto hasta un accidente en una planta donde convivan personas y máquinas.

Una restricción que no obliga a empezar de nuevo

Lo que distingue a HardFlow es, justamente, el momento en que se exige el cumplimiento de las reglas. La técnica que se tomó como referencia, conocida como muestreo basado en proyección, impone las restricciones en cada etapa del proceso de generación, lo que puede reducir el abanico de opciones que el sistema explora y dejarlo trabado en soluciones mediocres. HardFlow, en cambio, permite mayor libertad durante los pasos internos y reserva la exigencia para el resultado final, de modo que las etapas intermedias se descartan y solo cuenta el producto terminado, que debe respetar las condiciones establecidas. Para hacer viable ese funcionamiento, el equipo dividió el cálculo en problemas más pequeños, aprovechando la estructura de los modelos de emparejamiento de flujo, y utilizó herramientas de control óptimo para orientar la generación con correcciones graduales hacia una respuesta válida.

• Manipulación con robots: un brazo robótico evitó obstáculos y eligió el camino más corto hacia un objeto.
• Recorridos por laberintos: el sistema encontró salidas válidas bajo distintas restricciones de paso.
• Edición de imágenes a partir de instrucciones escritas: cumplió las consignas y mantuvo mejores resultados de calidad que los métodos usados como referencia.

Cumplir las reglas y, encima, hacerlo mejor

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 referencias, con tiempos de procesamiento similares o menores a los de la mayoría de los métodos con los que se lo comparó. Para un robot, evitar un choque es una condición que debe respetarse a rajatabla, mientras que 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, lo que lo vuelve una herramienta atractiva para entornos donde conviven la precisión y la eficiencia.

“HardFlow permite mayor libertad durante los pasos internos y exige que el resultado final respete las condiciones establecidas.”Descripción del equipo del MIT sobre el funcionamiento del método

Confieso que mientras leía el paper me invadió una sensación que no esperaba: la de estar ante un avance silencioso, de esos que no salen en los titulares con mayúsculas pero que terminan metiéndose en quirófanos, en fábricas y en autos sin que nos demos cuenta. No es una revolución estridente; es una reforma de oficio, de las que cambian el día a día de a poco. Y a mí, que vengo siguiendo estos temas desde aquella feria de 2016, me reconforta comprobar que la robótica está aprendiendo, con HardFlow, a combinar lo que debe hacerse con lo que conviene hacer, sin pedirle a la máquina que olvide todo lo que ya sabía.