El MIT encontró la forma de ponerle límites a la inteligencia artificial sin tener que enseñarle todo de nuevo

A uno le pasa todo el tiempo: le pide algo a la inteligencia artificial y, cuando parece que va a funcionar, termina haciendo cualquier cosa. Pídale que mueva un vaso sin tirar las fotos del living y va a barrer con todo. Pídale que edite una imagen sin cambiarle la cara a la suegra y le cambia la cara a la suegra, a la casa y hasta al perro. La trampa de siempre es que estas herramientas aprenden a base de ejemplos, pero no entienden qué cosas son obligatorias y cuáles son opcionales. Investigadores del MIT, el Instituto de Tecnología de Massachusetts, encontraron una manera de ponerles límites sin tener que mandarlos a la escuela de nuevo. El método se llama HardFlow y, básicamente, les dice: podés hacer lo que quieras mientras el resultado final cumpla con las reglas.

La sigla técnica detrás de HardFlow se refiere a los modelos de emparejamiento de flujo, una arquitectura de inteligencia artificial generativa. Para no espantar a nadie, pensémoslo como una cañería muy flexible: el agua entra por un lado con una forma y sale del otro convertida en otra cosa, como una imagen o un movimiento de robot. HardFlow no cambia la cañería. Lo que hace es controlar qué puede salir por la boca de salida.

El brazo robótico que esquivó todo

En uno de los ensayos, los investigadores le plantearon a un brazo robótico una tarea simple en apariencia: llegar hasta un objeto sin chocar con nada en el camino y, a la vez, por el recorrido más corto posible. Para el robot, no chocar es una regla de seguridad innegociable. Acortar la distancia es una mejora deseable, pero solo entre los caminos que sean seguros. HardFlow resolvió las dos cosas. La mayoría de los métodos con los que se lo comparó terminó chocando contra algún obstáculo o dando un rodeo absurdo.

Acá conviene una aclaración, porque esto se presta a confusión. Cuando los modelos de inteligencia artificial generan algo, lo hacen por etapas, como si fueran capas de una cebolla. Las capas intermedias no importan: solo cuenta el resultado final. HardFlow deja a esas etapas internas hacer lo que quieran, siempre y cuando la última capa respete las condiciones que le pusieron los humanos. La otra técnica que se usa como referencia, llamada muestreo basado en proyección, ajusta las restricciones en cada paso. Es como alguien que te corrige cada movimiento mientras cortás una cebolla: terminás más lento y, encima, con la cebolla hecha pedazos. Dejar libertad en el medio y exigir el cumplimiento al final funcionó mejor, y los resultados fueron más prolijos.

• Tareas de manipulación con brazos robóticos: el sistema esquivó obstáculos y eligió los caminos más cortos disponibles.
• Recorridos por laberintos: cumplió con las restricciones de seguridad en todos los casos analizados.
• Edición de imágenes a partir de instrucciones escritas: respetó las condiciones indicadas y, como bonus, entregó resultados de mayor calidad que los métodos anteriores.

Otra ventaja, y esta es clave para cualquiera que haya tenido que reentrenar un modelo de estos, que es un proceso carísimo y eternamente largo: HardFlow funciona sobre modelos que ya están entrenados. No hay que volver a meterlos en la escuela. El sistema se conecta cuando se los usa y les agrega las reglas en ese momento. Los investigadores lo lograron descomponiendo el cálculo en problemas más chiquitos, algo así como armar un rompecabezas grande armando primero las esquinas en vez de intentar encajar todo de una. Para eso usaron herramientas de control óptimo, que permiten corregir el rumbo de a poco hasta llegar a una respuesta válida.

Los resultados, según reportó el equipo, fueron parejos. Todas las restricciones se cumplieron en los casos analizados. La calidad de las soluciones superó de forma consistente a los métodos de referencia. Y el tiempo de procesamiento fue similar, o incluso menor, al de la mayoría de las alternativas. O sea: más seguro, más prolijo y, encima, igual de rápido. Casi como si el café de la mañana saliera mejor, más barato y con menos esperas, pero sin el garron de tener que cambiar la cafetera.

Lo que viene a partir de acá es interesante. Hasta ahora, cuando un modelo de inteligencia artificial no respetaba una condición de seguridad o de eficiencia, las opciones eran dos: entrenarlo de nuevo, lo que cuesta una fortuna y lleva tiempo, o aceptar las limitaciones del método anterior. HardFlow aparece como una tercera vía, más barata y más flexible. Para quienes desarrollan estas herramientas, el mensaje es directo: prueben esto antes de mandar a sus modelos a la escuela otra vez. Y para los que no somos técnicos, la traducción es simple: cada vez cuesta menos ponerle límites serios a la inteligencia artificial, y eso es buena noticia para todos, incluso para la suegra de la foto.