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

Hasta un objeto sin chocarse con nada en el camino parece una tarea sencilla para una persona, pero para un robot es un problema de cálculo: debe decidir, en cada movimiento, qué camino lo lleva más lejos del obstáculo y más cerca del destino. Esa combinación de condiciones obligatorias y objetivos de eficiencia fue justamente la que puso a prueba un equipo del Instituto de Tecnología de Massachusetts (MIT) con HardFlow, un método que permite exigirle reglas a una inteligencia artificial ya entrenada, sin tener que volver a enseñarle desde cero.

Qué hizo el brazo robótico

En uno de los ensayos, un brazo robótico debía llegar hasta un objeto esquivando los obstáculos que le pusieron delante. HardFlow le permitió encontrar el recorrido más corto posible. La mayoría de las alternativas que compararon provocaron colisiones o eligieron caminos mucho más largos. Es como si, en una cocina, alguien te pidiera llegar hasta la heladera sin tocar las cosas que hay sobre la mesada y, además, dando la menor cantidad de pasos: la condición de no chocar es ineludible, mientras que caminar menos es una mejora deseable entre todos los caminos que ya cumplen la regla.

Cómo funciona, explicado paso a paso

• Parte de modelos generativos ya entrenados, es decir, inteligencias artificiales que aprendieron a crear imágenes, planes o movimientos a partir de enormes cantidades de ejemplos previos.
• En lugar de agregar el control durante el entrenamiento, lo aplica cuando el modelo ya está en uso, como un inspector que revisa el resultado al final de la cadena de montaje en vez de interrumpir al operario en cada paso.
• Divide el cálculo en problemas más pequeños, aprovechando la estructura de los llamados modelos de emparejamiento de flujo, una familia de algoritmos que transforman ruido aleatorio en datos ordenados de a poco.
• Durante los pasos internos deja que el sistema explore con más libertad y reserva la verificación de las condiciones para el resultado final, ya que las etapas intermedias se descartan.
• Utiliza herramientas matemáticas conocidas como control óptimo para orientar la generación con correcciones graduales, parecido a un GPS que recalcula la ruta con suavidad en vez de imponerte un giro brusco en cada esquina.

La diferencia con el método anterior

La técnica que usaron como referencia se llama muestreo basado en proyección y, según el trabajo, aplica las restricciones en cada etapa de la generación. Ese ajuste continuo puede restringir demasiado el espacio de opciones y terminar ofreciendo soluciones peores, del mismo modo que un chef al que le corrigieran cada cuchillada termina cocinando con menos soltura que uno a quien solo le evalúan el plato final.

Otras pruebas y resultados

Las evaluaciones no se limitaron al robot. El equipo también puso a HardFlow a recorrer laberintos y a modificar imágenes a partir de instrucciones escritas. En todos los casos analizados, el método cumplió con las restricciones impuestas y, según reportó el trabajo, logró soluciones de mayor calidad que las referencias, con tiempos de procesamiento similares o incluso menores.

Qué falta para que llegue a todos

Aunque los resultados son prometedores, todavía quedan pasos antes de que un sistema así forme parte de la vida cotidiana. Los ensayos se hicieron en entornos controlados, con tareas acotadas y modelos específicos, por lo que habrá que probar cómo se comporta con robots en espacios reales, con ruidos y sorpresas. También falta medir cómo escala cuando las restricciones son muchas a la vez o cuando cambian sobre la marcha, por ejemplo si un obstáculo aparece de repente. Recién cuando esos escenarios estén resueltos, HardFlow podrá salir del laboratorio y empezar a usarse en fábricas, asistentes domésticos o vehículos autónomos.