¿Y si la inteligencia artificial aprendiera a obedecer reglas sin volver a la escuela?

¿Otra vez hay que explicarle a la inteligencia artificial lo que tiene que hacer? Sí, pero esta vez la novedad es que no hace falta mandarla de nuevo a entrenar. Un equipo del Instituto de Tecnología de Massachusetts, más conocido como el MIT, presentó un método llamado HardFlow que le pone condiciones a la IA sin tener que volver a enseñarle desde cero. Para ponerlo en simple, como cuando en Santa Fe uno le dice al pibe que va a buscar las facturas que no se cruce la calle corriendo: la regla ya la sabe, lo que faltaba era una forma práctica de hacérsela cumplir.

¿Qué hizo el brazo robótico en el ensayo?

La prueba más concreta fue con un brazo robótico que tenía que llegar hasta un objeto sin chocar con lo que tuviera en el camino. HardFlow le permitió encontrar el camino más corto entre los que respetaban esa condición. La mayoría de los métodos usados como comparación hicieron chocharse al robot o lo mandaron por recorridos bastante más largos de lo necesario. En criollo: la mayoría chocaba o daba vueltas de más, y HardFlow no.

Lo interesante es que acá aparecen dos exigencias combinadas: una obligatoria, que es no chocar, y otra deseable, que es llegar lo antes posible. El sistema puede cumplir las dos al mismo tiempo, algo que no es menor cuando se piensa en robots trabajando en una fábrica o moviéndose por un depósito.

¿Por qué es distinto a lo que ya se usaba?

La técnica clásica para estos casos se llama muestreo basado en proyección, un nombre largo que en la práctica significa ir corrigiendo a la IA paso a paso en cada etapa del proceso. El problema es que ese ajuste permanente termina achicando las opciones que el sistema puede explorar, y muchas veces se queda con una solución floja. Es como revisar cada paso que da alguien que va caminando al trabajo: cansa, demora y a veces lo termina mandando por el peor camino.

HardFlow deja más libertad en los pasos internos, que después se descartan, y se concentra en que el resultado final cumpla las reglas. Para eso usa herramientas de control óptimo, un área de la matemática que permite corregir el rumbo de manera progresiva hasta llegar a una respuesta válida. La diferencia parece técnica, pero en la práctica se traduce en mejores resultados.

¿Y dónde más se probó?

• Manipulación con robots: el brazo evitó obstáculos y eligió trayectorias más cortas que las alternativas evaluadas.
• Recorridos por laberintos: el sistema encontró salidas respetando todas las restricciones planteadas.
• Edición de imágenes por instrucciones escritas: cumplió los pedidos y la calidad de las modificaciones fue superior a la de los métodos usados como referencia.

En todos los casos las restricciones se cumplieron, algo que no es menor porque muchas veces los modelos de IA son caprichosos y hacen lo que quieren. Además, los tiempos de procesamiento fueron similares o menores a los de la mayoría de las alternativas. O sea: más seguridad y mejor calidad, sin pagar un costo extra en velocidad.

Veremos hasta dónde llega esto, porque en la vida real las restricciones suelen ser más enredadas que en un laberinto de una revista. Pero al menos ahora hay un método que le pone un poco de sentido común a la IA sin tener que devolverla a la fábrica. Y eso, para los que vivimos del otro lado de la pantalla, ya es algo.