0
0
Runway, perusahaan riset AI yang fokus pada model dunia generatif, menghadapi tantangan teknis saat mengembangkan Runway Characters, model video real-time untuk interaksi avatar. Bug yang muncul berupa pergeseran posisi karakter dari tengah frame selama generasi video langsung. Tim menghabiskan berminggu-minggu mencoba memperbaiki arsitektur model, namun akhirnya memilih pendekatan berbeda dengan menjadikan keterbatasan tersebut sebagai fitur baru.
Pendekatan ini dimulai dari proses evaluasi yang ketat. Runway menekankan pembuatan set evaluasi berkualitas tinggi melalui workshop lintas tim melibatkan produk, desain, riset, dan penjualan. Mereka mendefinisikan kriteria keberhasilan dan kegagalan secara detail, termasuk penggunaan karakter non-manusia seperti Tooth untuk menguji edge case. Evaluasi dilakukan harian menggunakan spreadsheet sederhana dengan kategori kegagalan minor dan major, serta target persentase kelulusan sebelum peluncuran.
Untuk skala yang lebih besar, tim memanfaatkan model bahasa besar sebagai judge otomatis untuk mendeteksi artefak visual seperti morphing. Langkah ini membantu mengurangi beban manual tanpa menambah kompleksitas bagi pengguna akhir.
Pada fase pelatihan, Runway menerapkan distilasi untuk memangkas waktu generasi hingga 80-90 persen, diikuti adversarial post-training guna mempertahankan ketajaman visual. Namun, proses ini justru memicu bug drift yang sulit diatasi di level backend. Solusi yang diambil adalah fitur frontend bernama Optimize for Image Quality yang secara otomatis memusatkan gambar input pengguna sebelum generasi dimulai.
Analisis lebih lanjut menunjukkan bahwa strategi ini dapat mempercepat adopsi teknologi AI di kalangan enterprise karena mengurangi waktu pengembangan yang terbuang pada perbaikan model semata. Selain itu, pendekatan tersebut mencerminkan tren industri di mana integrasi desain pengalaman pengguna menjadi kunci untuk mengatasi keterbatasan teknis yang inheren pada model fondasi.
Infrastruktur juga menjadi perhatian utama. Runway mengoptimalkan seluruh stack termasuk caching, decoding paralel, dan kolaborasi dengan Nvidia untuk perubahan kernel. Saat peluncuran, 8 persen panggilan API mengalami penurunan ke 16 frame per detik. Debugging mendalam dengan bantuan agen AI Claude serta tools seperti Datadog dan Sentry mengidentifikasi masalah pada satu data center di us-east-1, yang diselesaikan dengan penggantian GPU fisik.
Di luar aspek teknis, Phillips menyoroti fase failure hell yang sering dialami tim pengembang AI. Konsistensi iterasi diperlukan untuk mencapai terobosan mendadak setelah periode kesulitan berkepanjangan. Ke depan, peran kreatif enterprise bergeser dari pembuatan aset tunggal menuju perancangan parameter dunia yang dapat dimanfaatkan model untuk menghasilkan konten secara dinamis.
Metode Runway ini memberikan pelajaran bahwa keterbatasan model dapat diubah menjadi keunggulan produk jika dipadukan dengan pemahaman mendalam terhadap kebutuhan pengguna dan infrastruktur pendukung.
