HardFlow, el loro ortográfico de la inteligencia artificial: le pone límites sin repetirle el manual

Pongámonos en situación: pedís un café con leche, el robot de la cocina entiende 'cachito de leña' y termina tirando el dispenser por la ventana. Eso, multiplicado por mil, es lo que pasa cuando una inteligencia artificial generativa no entiende que hay reglas que no se negocian. Un equipo del MIT parece haber encontrado la forma de poner esos límites sin tener que mandar al robot a hacer un curso de cero. El método se llama HardFlow y la idea es simple: agarrar el modelo ya entrenado y, en el momento en que trabaja, obligarlo a cumplir ciertas condiciones. Sin volver a entrenarlo. Sin rezar.

El ejemplo más terrenal fue un brazo robótico al que le encargaron llegar a un objeto sin chocar con nada. HardFlow le dibujó el camino más corto posible. Las otras técnicas que usaron como referencia, o lo hacían chocar o le proponían dar un rodeo que parecía excursión de domingo. Acá la lógica es de sentido común, casi de manual de convivencia: esquivar el choque es innegociable, acortar el recorrido es una mejora deseable. El sistema puede perseguir las dos metas al mismo tiempo.

Por qué la diferencia está en cuándo se pone la regla

El truco está en el momento del cálculo. Los métodos tradicionales, como el muestreo basado en proyección, aplican las restricciones paso a paso durante la generación. Es como si cada vez que el modelo da un pasito interno, alguien lo corrigiera: 'no, eso no', 'mejor por acá'. El problema es que tanta corrección consecutiva le cierra el abanico de opciones y termina entregando algo correcto pero mediocre.

HardFlow hace lo contrario: deja al modelo moverse con más libertad mientras hace cuentas por dentro, y le exige las condiciones únicamente en el resultado final. Las etapas intermedias se descartan, porque nadie las ve. Para orientar esa búsqueda usaron herramientas de control óptimo, que básicamente aplican ajustes graduales, como un taxista que corrige el rumbo poquito a poco en vez de pegar volantazos.

Técnicamente, el equipo exprimió la estructura de los modelos de emparejamiento de flujo para dividir el cálculo en problemas más chicos. Es matemática fina, pero la comparación doméstica sirve: en vez de resolver un problema enorme de una, lo parten en pedazos más manejables, como cortar una pizza en porciones para que cada comensal coma su parte sin atragantarse.

Las pruebas: robots, laberintos y edición de imágenes

• Manipulación robótica: el brazo llegó al objeto sin chocarse y por el camino más corto entre los permitidos.
• Recorridos por laberintos: cumplió todas las restricciones de cada prueba y encontró rutas más eficientes.
• Edición de imágenes por instrucción escrita: respetó las condiciones pedidas y, según el trabajo, superó en resultados a los métodos de referencia.
• Tiempo de procesamiento: similar o menor al de la mayoría de las alternativas evaluadas.

En todos los casos, las restricciones se cumplieron sin excepción dentro de lo que examinaron, y la calidad de las soluciones fue consistentemente mejor que la de los métodos con los que lo compararon. No es marketing: es el resultado que reportó el equipo y que se sostiene en las pruebas que publicaron.

Me tomo un segundo para reírme de mí mismo: cada vez que un electrodoméstito inteligente me ignora, pienso que falta un HardFlow en mi casa. Pero bue, es lo que tiene escribir sobre inteligencia artificial y convivir con una heladera que me entiende cuando quiere.

“Imponer las condiciones al final del proceso, y no en cada paso intermedio, permite explorar más opciones sin perder el cumplimiento de las reglas.”Resumen del trabajo del equipo del MIT

Consejo del día, en imperativo porque la sección lo pide: si vas a usar un modelo generativo para algo serio, no asumas que respeta condiciones por sí solo. Pedíselas explícitamente y, si podés, usá un mecanismo que las verifique al final del proceso. Y si te lo vende alguien que dice que 'ya viene con todo incluido', haga pedido de que le muestre las pruebas del modelo generativo.