Un sistema del MIT permite fijar condiciones de seguridad a la inteligencia artificial sin reentrenar los modelos

En una serie de ensayos con un brazo robótico, recorridos por laberintos y edición de imágenes a partir de instrucciones escritas, un equipo del Instituto de Tecnología de Massachusetts (MIT) comprobó que el método HardFlow permite fijar condiciones de seguridad a la inteligencia artificial sin necesidad de reentrenar los modelos. En todas las pruebas, el sistema cumplió con las restricciones establecidas y obtuvo resultados de mayor calidad que los métodos empleados como referencia.

Un brazo robótico que esquiva obstáculos y busca el camino más corto

La primera evaluación consistió en indicarle a un brazo robótico que llegara hasta un objeto determinado sin chocar con los obstáculos del recorrido. HardFlow le indicó al robot el camino más corto posible hacia su objetivo, mientras que la mayoría de las alternativas evaluadas provocaron colisiones o eligieron recorridos considerablemente más extensos.

El caso expone una aplicación concreta del método: 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.

Un método que actúa sobre modelos ya entrenados

La incorporación de HardFlow no requiere entrenar nuevamente la inteligencia artificial. El método funciona sobre modelos generativos que ya fueron entrenados y actúa cuando se los utiliza. Para hacer viable ese funcionamiento, el equipo dividió el cálculo en problemas más pequeños, aprovechando la estructura de los modelos de emparejamiento de flujo.

La diferencia respecto de otras técnicas radica en el momento en que se exige el cumplimiento de las reglas. El muestreo basado en proyección, una técnica utilizada como referencia, 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, concede mayor libertad durante los pasos internos y exige que el resultado final respete las condiciones establecidas. Para orientar la generación hacia una respuesta válida, el equipo aplicó correcciones graduales mediante herramientas de control óptimo.

Resultados: restricciones cumplidas y tiempos de procesamiento similares

Las pruebas comprendieron lo siguiente∶

• Manipulación con brazos robóticos, con un brazo que debía alcanzar un objeto sin colisionar.
• Recorridos por laberintos, donde el sistema debía llegar al destino sorteando paredes.
• Edición de imágenes a partir de instrucciones escritas, donde el modelo debía respetar condiciones precisas sobre el resultado final.

El equipo investigador reportó que, en todos los casos examinados, las restricciones se cumplieron y la calidad de las soluciones superó de manera consistente a la de los métodos de referencia. El tiempo de procesamiento fue similar o menor al de la mayoría de las alternativas evaluadas.