MIT-ov HardFlow za generativnu AI sa strogim ograničenjima
HardFlow uvodi stroga pravila u generativnu AI
Istraživači sa MIT-a razvili su HardFlow, algoritam za generativne modele koji u konačnom izlazu ispunjava stroga ograničenja bez ponovnog treniranja modela. Metod je ispitan u robotskoj manipulaciji, navigaciji kroz lavirint i uređivanju slika vođenom tekstom, a u tim eksperimentima ostvario je potpuno poštovanje zahteva i bolji kvalitet rešenja od uporednih metoda.
Rad su potpisali Zeyang Li, Kaveh Alim i Navid Azizan, a objavljen je u časopisu IEEE Transactions on Pattern Analysis and Machine Intelligence. Cilj je da unapred obučeni generativni modeli postanu upotrebljiviji kada rezultat mora istovremeno da bude kvalitetan i da poštuje bezbednosna, fizička ili druga zadatkom određena pravila.
Zašto približno tačan odgovor nije dovoljan
Generativni modeli mogu da proizvedu odgovor koji je blizu traženom, ali takav rezultat nije prihvatljiv u situacijama sa visokim ulogom. Putanja robota između dve mašine, na primer, ne sme samo približno da izbegava ljude i prepreke: čak i mali sudar predstavlja neuspeh.
Uobičajeni pristup, projekciono uzorkovanje, stalno prisiljava delimična rešenja tokom generisanja da zadovolje ograničenja. MIT-ov tim ukazuje da to može previše da suzi pretragu i spreči model da dođe do boljeg krajnjeg rešenja. Takvi pristupi se često usredsređuju samo na ispunjavanje uslova, bez dodatne optimizacije, poput skraćivanja putanje robota.
Optimizacija putanje tokom uzorkovanja
HardFlow ne zahteva da svaki međukorak bude strogo usklađen. Model tokom generisanja zadržava više slobode za istraživanje mogućih rešenja, dok algoritam usmerava njegovu putanju tako da konačni rezultat ispuni nepovredive zahteve.
Autori su problem uzorkovanja sa strogim ograničenjima preformulisali kao problem optimizacije putanje, koristeći alate iz optimalnog upravljanja. Kod flow-matching modela taj složen zadatak razlažu na niz manjih problema u jednom koraku, a zatim primenjuju transformacije i aproksimacije radi efikasnog izvršavanja pri primeni modela.
Takva formulacija dopušta i dodatne ciljeve. HardFlow može da traži putanju bez sudara, ali i da istovremeno bira najkraći put do odredišta. U eksperimentima je robotski manipulator izbegavao prepreke i nalazio najbrži put do ciljnog objekta, dok su druge metode često dovele do sudara ili znatno sporijih putanja.
Poslovni zaključak
HardFlow je dodatni sloj koji se primenjuje u fazi korišćenja unapred obučenog generativnog modela, pa ne zahteva novo treniranje. Za poslovne timove koji razmatraju AI u robotici, upravljanju fizičkim sistemima ili računalnom vidu, ključni kriterijum nije samo uverljiv izlaz, već mogućnost da se jasno definisani uslovi ne prekrše u konačnom rezultatu.