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

Un equipo del Instituto de Tecnología de Massachusetts (MIT) presentó HardFlow, un método que permite exigir condiciones de seguridad a la inteligencia artificial sin necesidad de reentrenar los modelos. El desarrollo fue puesto a prueba en distintas tareas, entre ellas una en la que un brazo robótico debía llegar hasta un objeto sin chocar con los obstáculos del recorrido y eligiendo, al mismo tiempo, el camino más corto. En la mayoría de los ensayos, las alternativas evaluadas provocaron colisiones o se inclinaron por trayectorias considerablemente más extensas.

¿Qué cambió respecto de las técnicas anteriores?

La diferencia central está en el momento en que se imponen las reglas. Las técnicas previas, como el muestreo basado en proyección, aplican las restricciones en cada etapa de la generación, un ajuste continuo que puede reducir las opciones que el sistema explora y dificultar la búsqueda de 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 respuestas válidas, el equipo recurrió a herramientas de control óptimo que aplican correcciones graduales.

¿Cómo lo lograron sin volver a entrenar a la inteligencia artificial?

El método opera sobre modelos generativos ya entrenados y actúa recién cuando esos modelos se utilizan. Para hacerlo viable, los investigadores dividieron el cálculo en problemas más pequeños, aprovechando la estructura de los modelos de emparejamiento de flujo. Así, el sistema puede sumar restricciones de seguridad o de eficiencia sin modificar el entrenamiento original, lo que reduce costos y tiempos.

¿Qué tareas se evaluaron y qué resultados se obtuvieron?

• Manipulación con robots: un brazo robótico sorteó obstáculos y eligió el recorrido más corto hasta un objetivo, sin colisiones en los casos reportados.
• Recorridos por laberintos: el sistema encontró salidas respetando todas las restricciones impuestas.
• Edición de imágenes a partir de instrucciones escritas: cumplió las condiciones de cada prueba y mantuvo o mejoró la calidad del resultado final.

Según el trabajo, en todos los casos examinados se cumplieron las restricciones y la calidad de las soluciones superó de manera consistente a la de los métodos usados como referencia. El tiempo de procesamiento, además, resultó similar o menor al de la mayoría de las alternativas.

¿Qué falta para que se aplique fuera del laboratorio?

Por ahora, los ensayos se realizaron en entornos controlados y sobre tareas acotadas. Resta probar el método en escenarios más complejos, con modelos de mayor escala y en aplicaciones críticas como la robótica industrial, la conducción autónoma o la asistencia en salud, donde las exigencias de seguridad y eficiencia suelen ser simultáneas. Tampoco se reportaron aún pruebas con usuarios reales ni comparaciones con conjuntos más amplios de restricciones, dos pasos que el propio equipo considera necesarios antes de pensar en un despliegue masivo.