HardFlow, el método del MIT que permite fijar condiciones de seguridad a la inteligencia artificial sin reentrenar los modelos

Un equipo de investigación del Instituto de Tecnología de Massachusetts (MIT) presentó HardFlow, un procedimiento que permite establecer condiciones obligatorias para el funcionamiento de modelos generativos de inteligencia artificial sin necesidad de volver a entrenarlos. El desarrollo fue sometido a distintas pruebas de laboratorio, entre ellas una en la que un brazo robótico debió llegar hasta un objeto sin chocar con los obstáculos ubicados en su trayecto. En ese ensayo, el algoritmo permitió que la máquina eligiera el recorrido más corto disponible y sorteara los impedimentos con éxito, mientras que la mayoría de los métodos alternativos provocaron colisiones o derivaron en trayectorias sensiblemente más extensas.

La experiencia aporta una aplicación concreta de un principio general: la posibilidad de combinar restricciones duras con objetivos de eficiencia dentro de un mismo proceso de cálculo. Para un robot, evitar un choque constituye una condición que debe respetarse de manera irrenunciable; en paralelo, reducir la distancia hasta el punto de destino representa una mejora que puede perseguirse entre los recorridos que ya cumplen con las reglas. HardFlow procura atender ambas exigencias de forma simultánea, lo que lo diferencia de abordajes previos que suelen tratar la seguridad y la optimización como problemas separados.

Una intervención posterior al entrenamiento

Uno de los rasgos distintivos del método radica en que no requiere modificar la etapa de entrenamiento de la inteligencia artificial. El procedimiento opera sobre modelos generativos que ya fueron entrenados y actúa en el momento en que esos modelos son utilizados para producir resultados. Para hacer viable ese funcionamiento, los investigadores dividieron el cálculo en problemas más pequeños, aprovechando la estructura particular de los modelos de emparejamiento de flujo, una familia de técnicas que aprenden a transformar una distribución simple de datos en otra más compleja mediante una serie de pasos intermedios.

La diferencia central respecto de otras técnicas se observa en el instante en que se exige el cumplimiento de las reglas. El muestreo basado en proyección, una de las estrategias utilizadas como referencia, impone las restricciones en cada etapa de la generación. Ese ajuste permanente puede reducir el abanico de opciones que el sistema explora y, en consecuencia, dificultar que el modelo encuentre una solución de mayor calidad. HardFlow, en cambio, concede mayor libertad durante los pasos internos y exige que el resultado final respete las condiciones establecidas. Las etapas intermedias se descartan una vez cumplida su función en el proceso de cálculo. Para orientar la generación hacia respuestas válidas, el equipo se valió de herramientas de control óptimo, un área de la matemática que estudia cómo elegir la mejor secuencia de decisiones en sistemas dinámicos sujetas a limitaciones.

Resultados reportados en las pruebas

• Manipulación con robots: un brazo robótico llegó hasta un objeto sorteando obstáculos y eligió el camino más corto entre los permitidos, sin registrar colisiones.
• Recorridos por laberintos: el sistema trazó trayectorias válidas hasta la salida respetando las paredes y los límites del entorno.
• Edición de imágenes a partir de instrucciones escritas: el método modificó fotografías siguiendo consignas de texto y cumplió las restricciones establecidas en cada consigna.

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 la de los métodos utilizados como referencia. El tiempo de procesamiento fue similar o menor al de la mayoría de las alternativas evaluadas, un dato relevante para eventuales aplicaciones en sistemas que deben responder en lapsos breves. La investigación se inscribe en una línea de trabajo más amplia que busca conciliar la potencia de los modelos generativos con la necesidad de controlar su comportamiento, una preocupación creciente a medida que estas herramientas se incorporan a tareas con consecuencias físicas o jurídicas.