En el ámbito de la imitación multimodal, los modelos de flujo (flow matching) han demostrado ser especialmente efectivos para representar distribuciones complejas de acciones. Sin embargo, su estocasticidad suele ser pasiva: al repetir el muestreo desde un mismo estado, se obtienen comportamientos diversos pero el usuario carece de control directo para elegir una continuación concreta entre las múltiples trayectorias válidas. Esta limitación es crítica en aplicaciones robóticas y sistemas autónomos donde se requiere intervenibilidad, es decir, la capacidad de guiar el agente hacia una opción específica sin modificar la dinámica subyacente.
La propuesta Source-Lifted Flow Matching (SL-FM) aborda este desafío mediante un mecanismo que expone un asa de control sobre la fuente del flujo condicional, manteniendo el campo de velocidades compartido y sin necesidad de variables latentes. A diferencia de enfoques previos que descomponen el comportamiento en modos separados con campos condicionados, SL-FM preserva la formulación estándar del flow matching. El núcleo técnico es el levantamiento ortogonal de fuentes (Orthogonal Source Lifting), diseñado para evitar la ambigüedad de cruce de trayectorias. En lugar de particionar las acciones objetivo por modo, SL-FM eleva las fuentes específicas de cada asa a coordenadas ortogonales auxiliares, mientras que los objetivos se mantienen en el subespacio original de acciones. Esto conserva la distribución demostrada y permite que un único campo compartido transporte múltiples ramas sin fusionarse en los cruces.
Para que las asas sean utilizables en diferentes estados, se aprende una mezcla de fuentes dependiente del estado de manera conjunta (end-to-end), incorporando un piso de responsabilidad que proporciona supervisión débil a cada asa y mitiga la aparición de modos muertos. Los experimentos en diagnósticos de flujos con cruces y en benchmarks de control robótico muestran que SL-FM convierte la aleatoriedad pasiva de la fuente en una variable de intervención accionable. Elimina trayectorias compuestas inducidas por cruces, cambia las rutas futuras en el 91,1% de las intervenciones con prefijo coincidente y logra un rendimiento sólido en despliegue libre, con mejoras en varios entornos de referencia.
Desde una perspectiva empresarial, la capacidad de intervenir en políticas multimodales abre oportunidades significativas en el desarrollo de aplicaciones a medida para robótica colaborativa, vehículos autónomos y sistemas de control inteligente. En Q2BSTUDIO, como empresa de desarrollo de software y tecnología, integramos estos avances en soluciones personalizadas que combinan IA, cloud AWS/Azure y ciberseguridad para garantizar sistemas robustos y accionables. Por ejemplo, un brazo robótico entrenado con imitación multimodal puede ser guiado en tiempo real seleccionando la trayectoria deseada mediante una asa de intervención, sin necesidad de reentrenar el modelo. Esto es posible gracias al levantamiento ortogonal que evita la ambigüedad de cruce, una característica clave para procesos industriales donde la precisión y la flexibilidad son críticas.
La integración de SL-FM en plataformas de Business Intelligence y Power BI permite, además, visualizar y controlar las decisiones del agente en tiempo real, ofreciendo a los operadores una interfaz para intervenir cuando la trayectoria automática se desvía de lo esperado. La combinación con agentes IA autónomos permite que estos aprendan de demostraciones humanas y, al mismo tiempo, sean corregibles mediante intervenciones simples, mejorando la confianza y la adopción en entornos de producción.
Nuestra experiencia en software a medida nos ha mostrado que la intervenibilidad es un requisito creciente en sistemas de imitación. No basta con que una política genere comportamientos diversos; el usuario debe poder elegir entre ellos de forma activa. SL-FM proporciona exactamente eso: control sin modificar el campo de velocidades compartido, manteniendo la eficiencia del flow matching. En Q2BSTUDIO aplicamos estas técnicas para construir soluciones de IA que se adaptan a las necesidades específicas de cada cliente, ya sea en automatización industrial, diagnóstico médico o sistemas de recomendación intervenibles.
El camino hacia sistemas verdaderamente colaborativos pasa por ofrecer a los humanos la capacidad de influir en las decisiones de la máquina sin romper el flujo de aprendizaje. Source-Lifted Flow Matching representa un paso firme en esa dirección, y desde Q2BSTUDIO trabajamos para llevarlo del laboratorio a la industria, integrando cloud, ciberseguridad y análisis de datos en cada implementación. La multimodalidad intervenible no es solo un avance técnico; es la base para una nueva generación de aplicaciones inteligentes donde la máquina aprende del humano y el humano guía a la máquina.
