Un brazo robótico del MIT esquivó obstáculos y encontró el camino más corto con un método que ya está dando que hablar

El brazo robótico se estiró hacia el objeto, dobló justo a tiempo y esquivó el obstáculo que tenía enfrente. Lo hizo en el menor recorrido posible. Esa jugada, que parece sencilla, fue la que definió el ensayo del equipo del Instituto de Tecnología de Massachusetts: probar HardFlow, un método que permite exigir condiciones de seguridad a la inteligencia artificial sin tener que volver a entrenar los modelos desde cero.

Te lo cuento en criollo: la mayoría de las alternativas que se evaluaron provocaron choques o eligieron caminos mucho más largos. HardFlow, en cambio, sorteó los obstáculos y llegó al objetivo por la vía más rápida. Para un robot, evitar un golpe es una condición que no se negocia; acortar la distancia es una mejora que se puede buscar entre los recorridos permitidos. El sistema aborda las dos exigencias dentro del mismo proceso.

Por qué importa este avance

Por qué importa este avance

• Permite cumplir restricciones obligatorias sin reentrenar los modelos de inteligencia artificial ya existentes.
• Funciona sobre modelos generativos que fueron entrenados previamente y actúa recién cuando se los utiliza.
• Divide el cálculo en problemas más pequeños, lo que vuelve viable el proceso sin perder calidad.
• Otorga mayor libertad en los pasos internos y verifica las condiciones recién en el resultado final.
• En las pruebas superó de manera consistente a las técnicas usadas como referencia, con tiempos de procesamiento similares o menores.

La diferencia clave está en el momento en que se exigen las reglas. La técnica de muestreo basado en proyección, que se tomó como referencia, impone las restricciones en cada etapa de la generación. Ese ajuste permanente puede achicar las opciones que el sistema explora y terminar complicando que aparezca una solución mejor. HardFlow deja respirar al modelo en los pasos intermedios, descarta esas etapas intermedias del proceso de cálculo y aprieta las condiciones en la respuesta final. Para eso usó herramientas de control óptimo que van corrigiendo de a poco hasta llegar a un resultado válido.

Las pruebas no se quedaron en el brazo robótico. El equipo también lo puso a prueba en recorridos por laberintos y en tareas de modificación de imágenes a partir de instrucciones escritas. En todos los casos, las restricciones se cumplieron y la calidad de las soluciones fue superior a la de los métodos con los que se lo comparó. Lo que viene es seguir ajustando el sistema para que más desarrollos de inteligencia artificial puedan sumar este tipo de controles sin resignar eficiencia.