Un robot, un laberinto y la idea feliz del MIT: poner las reglas al final, no en cada paso

A mí me pasó mil veces: le pido al GPS que evite peajes y me manda por un camino más largo que mi suegra en una mudanza. Le pido que no atraviese el centro y termino dando tres vueltas a la misma manzana. La tecnología promete mucho y resuelve poco, y uno termina hablando solo contra la pantalla. Por eso, cuando un equipo del MIT (Instituto de Tecnología de Massachusetts, esa universidad de Estados Unidos donde siempre parece que descubren algo) dice que encontró la forma de hacer que un robot obedezca reglas sin volver a entrenarlo, uno levanta una ceja y escucha.

De qué se trata HardFlow, en cristiano

HardFlow es un método que le agrega condiciones obligatorias a una inteligencia artificial generativa, o sea, un sistema que crea contenidos nuevos (texto, imágenes, rutas) a partir de patrones aprendidos. Hasta acá, suena a chino, así que traduzco con algo de casa: es como si usted le dijera al plomero que arregle la canilla, pero además le exigiera que no manche el piso. La diferencia es que HardFlow hace cumplir esa segunda orden sin obligar al plomero a hacer un curso nuevo de plomería. Funciona sobre modelos que ya fueron entrenados y actúa en el momento de usarlos, que en la jerga se llama inferencia: cuando la IA genera la respuesta concreta para un caso puntual.

Para hacer viable ese truco, el equipo del MIT trozó el problema en pedazos más chicos. Lo explica usando la estructura de los modelos de emparejamiento de flujo, que en criollo son sistemas que aprenden a transformar ruido en datos ordenados, paso a paso, como si una mancha de tinta se reordenara hasta formar una foto. HardFlow descompone esa transformación en tramos y le aplica herramientas de control óptimo, una rama matemática que busca la mejor manera de llevar algo de un punto A a un punto B respetando reglas. Así, con correcciones graduales, orienta el resultado hacia una respuesta válida, sin tener que vigilar cada paso intermedio.

Qué se probó y qué salió bien

• Manipulación con robots: un brazo robótico tenía que llegar hasta un objeto sin chocar con nada. HardFlow encontró caminos más cortos que las otras técnicas, y la mayoría de las alternativas o provocaba choques o elegía recorridos mucho más largos.
• Recorridos por laberintos: el método cumplió todas las restricciones del trazado y dio soluciones mejores que las referencias usadas como comparación.
• Edición de imágenes por instrucciones escritas: respetando las condiciones pedidas, la calidad de las imágenes fue superior a la de los métodos con los que se lo comparó.
• Tiempo de procesamiento: en casi todos los casos fue similar o incluso menor al de los sistemas usados como referencia.

Por qué importa cuándo se pone la regla

La clave está en el momento en que se exige cumplir las condiciones. La técnica que se usó como referencia se llama muestreo basado en proyección, y aplica las restricciones en cada etapa de la generación, como un inspector que le mide cada baldosa al albañil mientras trabaja. El problema es que, si uno corrige en cada paso, le va achicando el margen al sistema y le cuesta más encontrar una solución mejor, porque le cierra opciones antes de tiempo.

HardFlow, en cambio, deja mayor libertad en los pasos internos y reserva el examen final para el resultado. Las etapas intermedias se descartan: solo importa que el producto terminado respete las reglas. Es la diferencia entre un portero de edificio que lo revisa a usted cada vez que pasa al pasillo y uno que lo mira cuando entra al ascensor. Menos interrupciones, mismo control.

El equipo reportó que, en los casos examinados, todas las restricciones se cumplieron y la calidad de las soluciones superó de manera consistente a los métodos de referencia. Reconozco que, como cada vez que aparece un paper con resultados perfectos, me dan ganas de mirar la letra chica. Pero los datos que están a la vista y las pruebas son concretas: un brazo robótico, un laberinto y una imagen editada con orden escrita. Tres terrenos distintos, un mismo cumplimiento.

Para robots, en particular, la aplicación es bastante directa. Evitar un choque no es una mejora opcional, es una condición obligatoria, lo que en ingeniería se conoce como hard constraints: límites que no se pueden transgredir. Acortar la distancia hasta el destino es una mejora deseable, pero solo entre los caminos que respetan esas reglas. HardFlow permite perseguir ambas metas dentro del mismo proceso, sin tener que volver a meter al robot en una sala de entrenamiento.

Mi consejo, para que no termine mareado

Cuando lea una noticia sobre IA que dice que cumple todas las reglas y encima lo hace más rápido, hágame caso: pregunte siempre en qué condiciones se midió. Acá, los autores fueron claros: detallaron las pruebas y compararon contra un método concreto. Esa es la señal de un trabajo serio. Y si algún día le toca armar algo con inteligencia artificial y tiene que imponer condiciones obligatorias, recuerde esto: a veces, dejar libertad en el medio y controlar al final no solo es más cómodo, también da mejores resultados. Como cuando uno deja al adolescente ordenar el cuarto solo y revisa recién cuando termina, en lugar de seguirlo paso a paso detrás. Funciona mejor y uno se ahorra un dolor de cabeza.