Un método del MIT le pone límites a la inteligencia artificial sin tener que volver a entrenarla

Pongámonos en un problema bien concreto: una inteligencia artificial ya entrenada tiene que cumplir reglas nuevas sin que la mandemos a hacer el curso de nuevo. Eso es justamente lo que resolvieron investigadores del MIT con un método que llamaron HardFlow. En una de las pruebas, un brazo robótico llegó hasta un objeto sin chocar y eligió el recorrido más corto posible. La mayoría de las técnicas con las que se lo comparó terminaron en colisión o dando vueltas largas de más.

Para entender el aporte, hay que mirar qué pide cada tarea. Para el robot, no chocar es una condición que no se negocia. Acortar el camino es una mejora deseable, pero secundaria. El sistema combina las dos exigencias dentro de un mismo cálculo.

Cómo funciona, sin entrar en el barro matemático

El método trabaja sobre modelos generativos que ya existen. No los reentrena. Actúa en el momento en que esos modelos se usan para producir una respuesta. Para que eso sea viable, el equipo del MIT cortó el cálculo en pedazos más chicos y los resolvió por separado, apoyándose en la estructura de los modelos de emparejamiento de flujo.

La diferencia con otros enfoques aparece en cuándo se aplican las reglas. La técnica más usada hasta ahora, el muestreo basado en proyección, corrige el resultado en cada paso intermedio. Ese ajuste permanente achica el espacio de búsqueda y puede dejar al sistema sin opciones mejores. HardFlow deja mayor libertad durante el cálculo interno y exige que el producto final respete las condiciones. Para eso se valió de herramientas de control óptimo, que van corrigiendo de a poco hasta llegar a una respuesta válida.

• Un brazo robótico que tenía que llegar a un objeto sin chocar con nada.
• Recorridos por laberintos, donde había que respetar ciertas restricciones.
• Edición de imágenes a partir de instrucciones escritas en texto.

En los tres frentes, HardFlow cumplió con todas las restricciones que se le plantearon. Y la calidad de las soluciones fue mejor que la de los métodos con los que se lo comparó. El tiempo de procesamiento resultó similar o menor al de la mayoría de las alternativas. En criollo: hace el mismo laburo, cumple las reglas y encima lo hace mejor.

El truco de fondo es simple de explicar y difícil de ejecutar: dejar que el modelo piense tranquilo mientras calcula, y pedirle las cuentas justas recién cuando tiene que entregar. Esa separación entre el proceso interno y el resultado final es lo que abrió el margen para que aparezcan soluciones que los métodos más estrictos directamente descartaban en el camino.

Falta la parte de siempre: que esto salga del paper y termine en productos que usemos. Hay investigaciones que quedan en el cajón y otras que se cuelan en herramientas de todos los días. Lo que mostraron en el MIT es que se puede poner límites a la inteligencia artificial sin pedirle que aprenda todo de nuevo. La pregunta es cuándo.