HardFlow: el método del MIT que fija reglas a la inteligencia artificial sin reentrenarla

Evitar un choque con los obstáculos del recorrido y, al mismo tiempo, encontrar el camino más corto hasta el objetivo fue la prueba que un equipo del Instituto de Tecnología de Massachusetts (MIT) diseñó para evaluar a HardFlow. El método exige condiciones de seguridad a la inteligencia artificial sin necesidad de reentrenar los modelos. En ese ensayo, un brazo robótico sorteó los objetos interpuestos y eligió la trayectoria más rápida. La mayoría de las alternativas evaluadas provocó colisiones o se conformó con recorridos sensiblemente más largos.

Un enfoque distinto para imponer restricciones

La diferencia con las técnicas anteriores se ubica en el momento en que se exige el cumplimiento de las reglas. El muestreo basado en proyección, la referencia más extendida, aplica las restricciones en cada etapa de la generación. Ese ajuste permanente limita las opciones que el sistema puede explorar y suele dejarlo lejos de una solución óptima.

HardFlow adopta la estrategia opuesta. Los pasos intermedios se descartan: solo se conserva el resultado final, siempre que respete las condiciones establecidas. Para orientar el cálculo hacia respuestas válidas, los investigadores recurrieron a herramientas de control óptimo que aplican correcciones graduales durante la generación.

El método en tres pasos

• Divide el problema completo en subproblemas más pequeños, aprovechando la estructura de los modelos de emparejamiento de flujo.
• Aplica correcciones graduales mediante herramientas de control óptimo durante el proceso de cálculo.
• Verifica que el resultado final cumpla las restricciones impuestas, sin reentrenar el modelo.

Resultados en robots, laberintos e imágenes

El trabajo, firmado por los investigadores del MIT, evaluó el sistema en tres frentes: manipulación con brazos robóticos, resolución de laberintos y edición de imágenes a partir de instrucciones escritas. En todos los casos las restricciones se cumplieron y la calidad de las soluciones superó de forma consistente a las referencias. El tiempo de procesamiento resultó similar o inferior al de la mayoría de los métodos comparados.

La investigación apunta a un cambio de enfoque: tratar las condiciones de seguridad como un requisito de diseño y la eficiencia como un objetivo a optimizar dentro de las soluciones permitidas. Para Milagros Trejo, de la sección Tecnología y ciencia, el aporte del MIT muestra que es posible conciliar ambas exigencias sin sacrificar el rendimiento de los modelos ya entrenados.