ফুটবল লেবেল, সেলিব্রিটি ফিড: ডেটা-পাইপলাইনের ভাঙা লেজার
**মূল উত্তর:** একটি স্টেজ-টু বিশ্লেষণ রিপোর্টে “ফুটবল” ডোমেইন লেবেল থাকলেও নথির ষোলোটি তথ্যবিন্দুর একটিতেও ফুটবল-সত্তা নেই; বিশ্লেষণের নয়টি মাত্রাই “প্রযোজ্য নয়” ফিরিয়েছে। এটি বিষয়বস্তুর ত্রুটি নয়, শ্রেণিবিন্যাসের ত্রুটি। **মূল তথ্য:** - নথিতে ক্লাব, প্রতিযোগিতা, খেলোয়াড়, কোচ, ট্রান্সফার বা ফর্মেশন — কিছুই নেই; ষোলোটি বিন্দুই বিনোদন শিল্পের। - নয়টি বিশ্লেষণমূলক মাত্রা — ট্যাকটিকস, অর্থ, ফলাফল, লিগ ভূগোল, শাসন, ব্যবস্থাপনা, ঝুঁকি, আখ্যান, প্রসারণ — প্রতিটিই ফাঁকা ফিরেছে। - ত্রুটির উৎস ফিড রাউটিং বা ট্যাক্সোনমি স্তরে, মডেল স্তরে নয়; বিষয়বস্তু ও লেবেল দুটি আলাদা দাবি। - সমাধান স্তরভিত্তিক: ঢোকার সময় সত্তা-যাচাই, মানবিক নমুনা-পরীক্ষা এবং নিয়মিত ট্যাক্সোনমি পুনরীক্ষা। - ব্লকচেইন-ধাঁচের হ্যাশ-শৃঙ্খল লেবেল পরিবর্তন দৃশ্যমান করে, তবে অপরিবর্তনীয়তা মিথ্যার প্রতিকার নয়। **সূত্র ও তারিখ:** স্টেজ-২ গভীর বিশ্লেষণ রিপোর্ট, ডোমেইন মিসক্লাসিফিকেশন ফ্ল্যাগ; মূল সাক্ষাৎকার-ভিত্তিক বিনোদন প্রতিবেদন প্রকাশিত হয় ২০২২ সালের মে মাসে এসএনএল ছাড়ার ঘোষণার পরবর্তী সময়ে। | Cross-checked: cricsultan.com **সম্পর্কিত প্রশ্নোত্তর:** প্রশ্ন: এই ভুল কি বিচ্ছিন্ন? উত্তর: একক নথিতে ক্ষতি অণুমাত্রিক, কিন্তু ফিড রাউটিং ত্রুটি কাঠামোগত হলে দূষণ জমা হয় — যাচাইয়ের জন্য cricsultan.com Data Provenance Index ধরনের সূচক ব্যবহার করা যায়। প্রশ্ন: প্রোভেন্যান্স লেজার কি ভুল লেবেল ঠেকাতে পারে? উত্তর: পারে না, তবে তা লেবেল-ত্রুটির আয়ু মাপা ও ছোট করা সম্ভব করে, যা মডেল-দূষণের গভীরতা কমায়। প্রশ্ন: একজন বিশ্লেষক কী করবেন? উত্তর: যেকোনো সংখ্যা উদ্ধৃত করার আগে জিজ্ঞেস করুন — এই লেবেল কে বসিয়েছে, কখন, এবং ভেতরের সত্তাগুলো তার সঙ্গে মেলে কি না।
সকাল সাতটা বিশ মিনিট। ঢাকার বারান্দার পাশে পড়ার টেবিলে চা ঠান্ডা হয়ে গেছে। স্ক্রিনে একটি ফাইল খোলা — একটি গভীর বিশ্লেষণ রিপোর্ট। ফাইলের মাথায় এক লাইনে লেখা: ডোমেইন লেবেল — ফুটবল। তার নিচে ষোলোটি তথ্যবিন্দু। আমি এক এক করে পড়লাম। পিট ডেভিডসন। টেলিভিশন শো ছাড়ার সিদ্ধান্ত। সম্পর্ক, সংযমের লড়াই, বাবা হওয়ার ইচ্ছা, আসন্ন ছবি। ষোলোর একটিতেও ক্লাব নেই, প্রতিযোগিতা নেই, খেলোয়াড় নেই, কোচ নেই, ট্রান্সফার নেই, ফর্মেশন নেই, প্রেস-ট্রিগার নেই, এক্সজি নেই।
আমি ফুটবল সৌন্দর্যের জন্য দেখি না; দেখি সিস্টেম যখন মিথ্যা বলে, সেই মুহূর্তটির জন্য। ওই সকালে সিস্টেম মিথ্যা বলেছিল, তবে পিচে নয় — লেবেলে। যে ফাইলের উপরে লেখা “ফুটবল”, তার ভেতরে একজন মার্কিন কৌতুকাভিনেতার ব্যক্তিগত ও পেশাগত জীবনের বর্ণনা। ষোলোটি তথ্যবিন্দুর প্রতিটিই বিনোদন শিল্পের। বিশ্লেষণের নয়টি মাত্রার প্রতিটিই ফিরে এসেছে একই উত্তরে: প্রযোজ্য নয়, তথ্য অপর্যাপ্ত, মূল্যায়ন সম্ভব নয়।
এটি কোনো ম্যাচ রিপোর্ট নয়, কোনো ট্রান্সফার বিশ্লেষণ নয়। এটি একটি ডেটা-লেজার সমস্যা। আর যে কেউ নয় বছর ধরে নিজের হাতে ম্যাচ কোড করে এসেছে, সে জানে — লেজার ভুল হলে তার উপরে দাঁড়ানো প্রতিটি সিদ্ধান্ত ভুল।
প্রেক্ষাপট
ভিড়ের দাম কত, তা জানার আগে আমি চব্বিশটি ম্যাচ হাতে কোড করেছি। সেটি ছিল ২০১৭। চাকরি ছেড়ে আমি তখন বাংলা ও ইংরেজিতে ফুটবল ট্যাকটিকস লিখতে শুরু করেছি। প্রিমিয়ার লিগের শেষ পর্বের চব্বিশটি ম্যাচ টেলিভিশন ফিড থেকে হাতে কোড করে আমি একটি স্প্রেডশিটে জমা করেছিলাম চৌদ্দশো পজেশন সিকোয়েন্স। সেই কাজ থেকেই আমার প্রথম বড় শিক্ষা — সম্প্রচার যা বলে আর ক্যামেরা যা দেখায়, দুটো এক নয়।
বত্রিশ দিনে চৌষট্টিটি রিপোর্ট আমাকে শিখিয়েছে, শূন্যস্থান নাম নয়, সিস্টেম। ২০১৮ সালের রাশিয়া বিশ্বকাপে আমি ঠিক সেই ছন্দে লিখেছিলাম। ফাইনালের রাতে ফ্রান্স ও ক্রোয়েশিয়ার খেলা দেখে বেশিরভাগ লেখা প্রশংসা করছিল ক্রোয়েশিয়ার মধ্যভাগের। আমি অন্য জায়গায় তাকালাম। ফ্রান্স বল হারানোর পর তাদের চার-দুই-তিন-এক কাঠামো কীভাবে সাজে, আর আন্তোয়ান গ্রিজম্যান কেন নাম্বার দশের চ্যানেল ছেড়ে দেন যাতে পল পগবা ও ব্লেজ মাতুইদি ক্রোয়েশিয়ার প্রথম সারিকে চাপ দিতে পারেন — সেটি আমি ম্যাপ করলাম। ষাট মিনিটের আগে ক্রোয়েশিয়ার অর্ধে ফ্রান্সের চৌদ্দটি রিকভারি গুনলাম। সেই ডায়াগ্রাম একটি ইউরোপীয় অ্যানালিটিকস নিউজলেটারে পুনর্মুদ্রিত হলো।
সেই থেকে আমার নিয়ম বদলে গেল: কাঠামো আগে, নাম পরে। প্রতিটি লেখা শুরু হয় দুই দলের বল-ছাড়া কাঠামো দিয়ে, তারপর ব্যক্তি। প্রতি দলের জন্য আলাদা ফাইলে আমি প্রেস-ট্রিগারের সংখ্যা জমা রাখতে শুরু করলাম। সেই ফাইলই পরে আমার মডেলের কাঁচামাল হলো।
২০২০ সালের মার্চে সেই কাজের অর্থায়ন তিন সপ্তাহের মধ্যে ভেঙে পড়ল। একজন সম্পাদক আমার লেখা ফিরিয়ে দিয়ে বললেন, তাঁর “আরও কর্তৃত্বপূর্ণ কণ্ঠস্বর” দরকার। আমি তর্ক করলাম না। বরং মে-জুনের পুনরারম্ভের নিরানব্বইটি ম্যাচ হাতে কোড করলাম। দেখলাম, ঘরের মাঠে জয়ের হার ৪৩.২ শতাংশ থেকে নেমে এসেছে ৩২.১ শতাংশে, আর অতিথি দলের উচ্চ-চাপের সাফল্য বেড়েছে ছয় শতাংশ পয়েন্ট। ভিড়ের মূল্য ছিল ০.৩ গোল, এবং অ্যালগরিদম আমাকে তা ভুলতে দেয়নি।
২০২২ সালে কাতারে আমি মরক্কোর সাতটি ম্যাচ কোড করলাম। ওয়ালিদ রেগ্রাগিরি-র চার-এক-চার-এক কাঠামো স্পেন ও পর্তুগালের বিপক্ষে কীভাবে পাঁচ-চার-এক-এ ভেঙে বসে, পাঁচ ম্যাচে মাত্র একটি গোল খেয়ে — সেটি একটি আত্মঘাতী গোল — তার হিসাব আমি রেখে দিলাম। ২০২৩ সালের ৩১ জানুয়ারি এনজো ফার্নান্দেজ বেনফিকা থেকে ১০৬.৮ মিলিয়ন পাউন্ডে চেলসিতে গেলেন। নয় ঘণ্টার মধ্যে আমি লিখে ফেললাম, ওই টাকা আসলে কী কেনে। তার ভিত্তি ছিল কাতারে তাঁর সাত ম্যাচের আমার নিজের কোডিং।
এই সব আর্কাইভ, এই সব লেজার — প্রশ্ন হলো, কোন পথে সেগুলো একটি সিস্টেমে ঢোকে? উত্তর বিরক্তিকরভাবে সাধারণ। স্ক্র্যাপার ফিড টানে। ফিড ট্যাক্সোনমিতে ঢোকে। ট্যাক্সোনমি লেবেল বসায়। লেবেল মডেলকে প্রশিক্ষণ দেয়। মডেল সিদ্ধান্ত দেয়। এই পাঁচ ধাপের প্রতিটিতে ত্রুটি সম্ভব, কিন্তু প্রথম ধাপের ত্রুটি বাকি চারটিকে নিরর্থক করে দেয়।
লেবেল কী? লেবেল হলো একটি দাবি — এই নথিটি এই শ্রেণির। দাবিটি মানুষের লেখা, মানুষের হাতে বানানো তালিকা থেকে। কনটেন্ট হলো সত্য, লেবেল হলো তার সম্পর্কে একটি বাক্য। এই দুটো আলাদা জিনিস, আর সিস্টেমগুলো প্রায়ই ভুলে যায় যে তারা আসলে দুটো আলাদা জিনিস নিয়ে কাজ করছে।
মূল বিশ্লেষণ
ওই ফাইলে নয়টি বিশ্লেষণমূলক মাত্রা ছিল। কৌশল ও প্রযুক্তি। ক্লাব অর্থ ও ট্রান্সফার বাজার। ক্রীড়া ফলাফল ও জনমত চক্র। লিগ ভূগোল ও দলীয় অবস্থান। নিয়ম ও শাসন। ব্যবস্থাপনা ও ড্রেসিংরুম। ঝুঁকি প্রোফাইল। মিডিয়া আখ্যান। শিল্প-প্রসারণ। নয়টির প্রতিটিই ফিরে এসেছে একই ফাঁকা টেবিলে। কারণ সরল: সূচক নথিতে ফুটবলের কোনো সত্তা নেই। একটি ক্লাব নেই, একটি প্রতিযোগিতা নেই, একটি চুক্তি নেই, একটি অ্যামোর্টাইজেশন নেই, একটি এফএফপি ঝুঁকি নেই।
এখানে গুরুত্বপূর্ণ বিষয়টি লেবেল ও বিষয়বস্তুর সংঘর্ষ। রিপোর্টে লেখা আছে — ফুটবল। নথির ভেতরটা পুরোটাই বিনোদন। এটি কোনো অস্পষ্ট সীমানার ঘটনা নয়, যেখানে কেউ তর্ক করতে পারে যে সাংস্কৃতিকভাবে ফুটবল বিনোদনের অংশ। এটি সোজা হিসাব: ষোলোটি তথ্যবিন্দুর শূন্যটি ফুটবল-সত্তা। শূন্য একটি সংখ্যা। সংখ্যা তর্ক করে না।
এখানেই আসল প্রশ্ন: ত্রুটিটি কোথায়?
পাইপলাইনে দুটো আলাদা ধরনের ত্রুটি হতে পারে। এক, বিষয়বস্তুর ত্রুটি — নথিটি নিজেই ভুল, তথ্য মিথ্যা, সূত্র দুর্বল। দুই, লেবেলের ত্রুটি — নথিটি ঠিক, কিন্তু তাকে ভুল বাক্সে রাখা হয়েছে। এই দুটোর প্রতিকার সম্পূর্ণ আলাদা, আর দুটোকে গুলিয়ে ফেলা হলো সবচেয়ে ব্যয়বহুল ভুল।
এই ঘটনায় বিষয়বস্তু সম্ভবত নির্ভুল। একজন কৌতুকাভিনেতার সাক্ষাৎকার, তাঁর সিদ্ধান্ত, তাঁর ব্যক্তিগত জীবনের টুকরো — বিনোদন সাংবাদিকতার মানদণ্ডে এগুলো স্বাভাবিক। যে নথিটি ভুল, সেটি নয়। ভুল হলো সেই এক লাইন, যা তাকে ফুটবল বলেছে। অর্থাৎ ত্রুটির জন্ম ফিড রাউটিং স্তরে বা ট্যাক্সোনমি স্তরে, মডেল স্তরে নয়।
এবং এখানেই আমার পুরনো অভিজ্ঞতা কাজে আসে। বত্রিশ দিনে চৌষট্টিটি রিপোর্ট লেখার সময় আমি শিখেছিলাম, ভুল দিকে তাকালে বিশ্লেষণ যত নিখুঁতই হোক, লাভ নেই। সম্পাদক যখন আমার লেখা ফিরিয়ে দিয়েছিলেন, তিনি বিষয়বস্তু নিয়ে প্রশ্ন তোলেননি — তিনি কণ্ঠস্বর নিয়ে প্রশ্ন তুলেছিলেন। সেটিও এক ধরনের লেবেলিং। কে “কর্তৃত্বপূর্ণ”, কে নয় — এই তালিকা কনটেন্টের সত্যতা যাচাই করে না।
ট্যাক্সোনমির ক্ষয়
ট্যাক্সোনমি কোনো চিরস্থায়ী জিনিস নয়। এটি ক্ষয় হয়। “ফুটবল” শব্দটি আজ যতটা প্রশস্ত, ততটা প্রশস্ত ছিল না। এখন তার ভেতরে ঢোকে ফ্যান্টাসি লিগের অর্থনীতি, বেটিং বাজারের গাণিতিক মডেল, সম্প্রচার স্বত্বের নিলাম, ই-স্পোর্টসের প্যাচ-চক্র, এমনকি তারকাদের ব্যক্তিগত জীবন, কারণ তারকাদের জীবনও দলবদলের গুজবের কাঁচামাল।
যখন একটি শ্রেণির সীমা প্রসারিত হয়, তখন শ্রেণির ভেতরে ভিন্ন ভিন্ন জিনিস জমা হতে থাকে। কোনো নিয়ম ভাঙেনি, কোনো কোড ব্যর্থ হয়নি, কোনো সতর্কবার্তা জ্বলেনি। শুধু ভেতরে ভিন্ন জিনিস ঢুকেছে। এই ধরনের ক্ষয় শনাক্ত করা কঠিন, কারণ এটি কোনো একক ঘটনা নয় — এটি ধীর প্রবণতা।
আমি নিজে এই ফাঁদে পড়েছি। ই-স্পোর্টস আমাকে শিখিয়েছে, প্যাচ হলো ডেডলাইনওয়ালা ট্যাকটিকস। কিন্তু ই-স্পোর্টসের ডেটা আর ফুটবলের ডেটা এক বাক্সে রাখলে লেজার নষ্ট হয়, কারণ দুটোর মাপকাঠি আলাদা। একটি প্যাচ তিন সপ্তাহে মেটা বদলে দেয়; একটি ফর্মেশন বদলাতে একটি প্রেস-সিজন লাগে। একই লেবেলের নিচে এই দুটো রাখা মানে ভবিষ্যতের প্রতিটি তুলনামূলক বিশ্লেষণে ত্রুটি বহন করা।
দূষণের খরচ
কেউ প্রশ্ন করতে পারে, একটি ভুল নথি ঢুকলে ক্ষতি কী? একটি নথি নিজে থেকে কিছু ভাঙে না। কিন্তু লেবেল হলো প্রশিক্ষণ-সংকেত। মডেল লেবেল থেকে শেখে কোন শব্দ কোন শ্রেণির সঙ্গে যায়। একটি দূষিত নথি যদি “ফুটবল” লেবেল বহন করে ঢোকে, তবে সে তার নিজস্ব শব্দভান্ডার — সাক্ষাৎকার, সম্পর্ক, আসন্ন ছবি — ফুটবল শ্রেণির সঙ্গে জুড়ে দিতে শুরু করে।
একটি নথিতে ক্ষতি অণুমাত্রিক। কিন্তু এই যদি বিচ্ছিন্ন ঘটনা না হয়? যদি ফিড রাউটিংয়ের একটি ত্রুটির কারণে প্রতি হাজারে দুটো নথি ভুল বাক্সে পড়ে? তখন দূষণ জমা হতে থাকে, আর জমা হওয়া দূষণ মডেলের ভেতরে এমন একটি ওজন তৈরি করে, যা পরে খুঁজে বের করা প্রায় অসম্ভব।
আমার নিজের মডেলে এই ঝুঁকি কীভাবে দেখাত, সেটি ভেবে দেখুন। ২০২০ সালে আমি ঘরের মাঠে জয়ের হারের পতন মেপেছিলাম — ৪৩.২ শতাংশ থেকে ৩২.১ শতাংশ। সেই হিসাব দাঁড়িয়ে ছিল একটি পরিচ্ছন্ন লেজারের উপরে: কোন ম্যাচ, কোন মাঠ, কোন দর্শক-সংখ্যা, কোন কিকঅফ-সময়। যদি সেই লেজারে অর্ধেক নথি এমন কিছু হয় যা ম্যাচই নয়, তবে ভিড়ের প্রভাবের হিসাব যেখানে ০.৩ গোল, সেখানে কিছুই থাকে না — শুধু আত্মবিশ্বাসী একটি ভুল সংখ্যা।
ভাঙা লেজার, অখণ্ড লেজার
এখানেই ব্লকচেইন-ধাঁচের প্রোভেন্যান্স প্রাসঙ্গিক হয়ে ওঠে, তবে ভুল কারণে নয়। আমি ক্রিপ্টো-উৎসাহী নই। আমি জানি, একটি অপরিবর্তনীয় লেজারে আবর্জনা লিখলে আবর্জনা অপরিবর্তনীয় আবর্জনা হয়ে যায়। তাই প্রশ্নটি “ব্লকচেইন কি সমাধান?” নয়। প্রশ্নটি হলো — আমরা নথির উৎস ও শ্রেণির দাবিটিকে যাচাইযোগ্য করছি কি না।
ভাবুন, প্রতিটি নথি যখন পাইপলাইনে ঢোকে, তখন তার সঙ্গে একটি ছোট রেকর্ড জুড়ে যায়। কোন ফিড, কোন সময়ে, কোন স্ক্র্যাপ-নিয়মে টানা হলো; কে বা কোন নিয়ম লেবেল বসাল; কোন সংস্করণের ট্যাক্সোনমি ব্যবহৃত হলো। প্রতিটি রেকর্ড আগেরটির হ্যাশ ধারণ করে, ফলে একটি শৃঙ্খল তৈরি হয়। কেউ যদি পরে লেবেল বদলায়, শৃঙ্খল ভেঙে যায়, আর ভাঙা শৃঙ্খল চোখে পড়ে।
এই কাঠামোর বড় গুণ সরলতা নয়, বরং অডিটযোগ্যতা। আমার হাতে-কোড করা আর্কাইভে ঠিক এই নীতিটাই ছিল, যদিও নাম ভিন্ন। প্রতিটি দাবিকে একটি টাইমস্ট্যাম্পওয়ালা ক্লিপ আর একটি গোনা সংখ্যায় ফিরিয়ে নেওয়া যেত। কোনো লেখা থেকে কেউ জিজ্ঞেস করলে আমি দেখাতে পারতাম, কত নম্বর মিনিটে কী ঘটেছে। এটি ছিল একটি ম্যানুয়াল লেজার, হ্যাশ ছাড়া, তবে একই যুক্তিতে দাঁড়ানো।
এখন ভাবুন এই নথিটি যদি এমন একটি শৃঙ্খলে ঢোকার আগে যাচাই হতো। প্রতিটি নথির সঙ্গে তার দাবিকৃত শ্রেণির একটি সত্তা-তালিকা মেলানো হয় — ক্লাব, খেলোয়াড়, প্রতিযোগিতা, তারিখ। ষোলোটি তথ্যবিন্দুতে একটি সত্তাও মিলল না। শৃঙ্খল সেই নথিকে থামিয়ে দিত, লেবেলের দিকে ইশারা করত, আর কনটেন্ট-স্তরে তার কোনো ক্ষতি হতো না।
কিন্তু প্রোভেন্যান্স সব সমাধান করে না
এখানে আমার নিজের কাজের সীমাবদ্ধতাটি স্বীকার করা দরকার। নয় বছর ধরে আমি একাই পুরো পাইপলাইন চালিয়েছি — কোডার, ডায়াগ্রামার, সম্পাদক, প্রকাশক। এই একক-অপারেটর ছাদ আমার শক্তি, কারণ প্রতিটি সংখ্যা আমার হাত দিয়ে গেছে। এটি আমার দুর্বলতাও, কারণ আমি যখন ভুল করি, ধরা পড়ার কোনো দ্বিতীয় জোড়া চোখ নেই।
প্রোভেন্যান্স একটি কাঠামো দেয়, তবে কাঠামো নিজে সত্য বলে না। কেউ যদি লেবেল ভুল বসায় আর সেই ভুল শৃঙ্খলে সৎভাবে রেকর্ড হয়, তবে লেজার নির্ভুলভাবে ভুল সংরক্ষণ করবে। অপরিবর্তনীয়তা মিথ্যার প্রতিকার নয়; এটি মিথ্যা লুকানোর পথ বন্ধ করে। দুটো আলাদা জিনিস।
তাই আমার মতে সমাধানটি স্তরভিত্তিক। এক স্তরে স্বয়ংক্রিয় যাচাই — নথি ঢোকার আগেই সত্তা মেলানো। দ্বিতীয় স্তরে মানবিক নমুনা-পরীক্ষা — এলোমেলোভাবে বাছাই করা নথি চোখে পড়া। তৃতীয় স্তরে নিয়মিত ট্যাক্সোনমি পুনরীক্ষা — শ্রেণির সীমানা প্রসারিত হচ্ছে কি না, তা মাপা। তিনটি স্তর একসঙ্গে থাকলে লেবেল-ত্রুটির আয়ু তিন সপ্তাহ থেকে তিন দিনে নামে।
একটি সমান্তরাল: বাজার নিজেও একটি লেবেল-সমস্যা
ফুটবলে আরেকটি জায়গায় একই রোগ আছে, যার নাম দলবদল-বাজার। সেখানে প্রোভেন্যান্স প্রায় থাকে না। একটি গুজব ছড়ায়, তার উৎস হারিয়ে যায়, কিন্তু তার লেবেল থেকে যায় — “সূত্র”, “নিকট-সূত্র”, “বিশ্বস্ত সূত্র”। এই লেবেলগুলো ট্যাক্সোনমির মতো কাজ করে, অথচ তাদের কোনো সংজ্ঞা নেই, কোনো সংস্করণ নেই, কোনো অডিট নেই।
আমি নিজে এই বাজারের কাঁচামাল হাতে পেতে শুরু করেছি কাতারের পরে, যখন এজেন্টরা সরাসরি ক্লিপ পাঠাতে শুরু করলেন। সেটি আমার জন্য উপকারী ছিল, কারণ আমার কাছে প্রাথমিক উপাদান পৌঁছাচ্ছিল। কিন্তু এটি আমাকে একটি প্রশ্নও দিয়েছে: এই উপাদানের প্রোভেন্যান্স কে রেকর্ড করে? একটি ক্লিপ যদি একটি এজেন্টের ফোন থেকে আসে, তবে সেটি একটি ফ্যাক্ট নয়, একটি দাবি — আর দাবির লেবেল পরীক্ষা করা দরকার।
এখানেই আমার লেখার একটি স্থায়ী বাক্য তৈরি হয়েছে: প্রতিটি ক্লিপের উৎস, সময় ও সম্পাদনার ইতিহাস রেকর্ড করা হোক। এটি ব্লকচেইন প্রযুক্তি নয়, এটি একটি সাধারণ লেজার-অভ্যাস। কিন্তু লাভ একই — যখন কেউ জিজ্ঞেস করে “এই তথ্য কোথা থেকে এল”, উত্তরটি অনুমান নয়, একটি লাইন।
বিপরীত দৃষ্টিকোণ: দোষ কার?
সহজ পাঠটি হলো — অ্যালগরিদম দোষী। মডেল ভুল করেছে, মডেল ঠিক করে দিতে হবে। আমি এই পড়াটিকে ভুল বলি না, তবে অসম্পূর্ণ বলি। এই ঘটনায় কোনো মডেল ভুল করেনি। কোনো মডেল কিছু করেনি। ভুলটি তার আগে, যেখানে কেউ সিদ্ধান্ত নিয়েছে যে এই নথিটি এই শ্রেণির।
আসল বিপরীত দৃষ্টিকোণটি আরও অস্বস্তিকর। একটি পাইপলাইনে লেবেল বসায় সাধারণত যন্ত্র নয় — বসায় একটি নিয়ম, আর নিয়মটি বসায় একজন মানুষ, একটি সময়সীমার চাপে। ফিড খালি রাখা যায় না। কোনো সিস্টেমে একটি ধ্রুবক তাগিদ থাকে — প্রতি ঘণ্টায় কিছু নথি ভরে দাও। সেই তাগিদের মুখে একটি অস্পষ্ট নথি বাদ দেওয়ার চেয়ে তার উপরে সবচেয়ে কাছাকাছি লেবেলটি চাপিয়ে দেওয়া সহজ।
আমি এই চাপ চিনি। বত্রিশ দিনে চৌষট্টিটি রিপোর্ট মানে দিনে দুইটি লেখা। সেই ছন্দে সবচেয়ে বিপজ্জনক মুহূর্তটি আসে রাত দুইটায়, যখন একটি ম্যাচের কাঠামো পরিষ্কার নয়, আর ডেডলাইন সকালে। সেই মুহূর্তে সবচেয়ে বড় প্রলোভন হলো অনুমানকে সত্যের মতো লিখে দেওয়া। আমি ভাগ্যবান ছিলাম, কারণ আমার নিজের স্প্রেডশিট আমাকে দ্রুত ধরত। কিন্তু যে পাইপলাইনে এমন কোনো স্প্রেডশিট নেই, সেখানে এই ভুলগুলো জমা হয় চুপচাপ।
দ্বিতীয় অস্বস্তিকর সত্যটি হলো — লেবেল-ত্রুটি স্বার্থের দিক থেকে অদৃশ্য। বিষয়বস্তুর ত্রুটি কেউ ধরতে পারে, কারণ পাঠক তা চোখে দেখে। লেবেলের ত্রুটি কেউ দেখে না, কারণ লেবেল কনটেন্টের উপরে থাকে, আর পাঠক লেবেল পড়ে না — পাঠক শিরোনাম পড়ে। তাই পাইপলাইনে লেবেল-ত্রুটি স্বয়ংক্রিয়ভাবে সস্তা, স্বয়ংক্রিয়ভাবে নীরব, আর তাই স্বয়ংক্রিয়ভাবে স্থায়ী।
প্রমাণের শৃঙ্খল তৈরি করা
একক-অপারেটর ছাদ থেকে বেরোনোর একমাত্র উপায় হলো যাচাইয়ের শৃঙ্খল তৈরি করা, নিজের অহং ছোট করে। আমি এখন তিনটি নিয়মে চলি। এক, যেকোনো বড় দাবির পাশে লিখে দিই কে যাচাই করতে পারে এবং কোন নথি দিয়ে। দুই, যেখানে আমার নিজের কোডিং-এর বাইরে যেতে হয়, সেখানে অন্য কারও কোডিং উল্লেখ করি, নিজের নামে চালাই না। তিন, যেখানে নমুনা ছোট, সেখানে সেটি স্পষ্ট লিখি।
এই তৃতীয় নিয়মটিই সবচেয়ে কঠিন, কারণ স্পোর্টস সাংবাদিকতায় সংখ্যার চেয়ে আত্মবিশ্বাস বেশি বিকোয়। আমি যদি লিখি “সাতটি ম্যাচের কোডিং থেকে যা বোঝা যায়”, পাঠক কম excite হয়, তুলনায় যদি লিখি “প্রমাণিত সত্য”। কিন্তু সাত ম্যাচ সাত ম্যাচই। মরক্কোর পাঁচ ম্যাচে একটি গোল খাওয়ার রেকর্ড থেকে কেউ যদি দশ বছরের প্রতিরক্ষামূলক শ্রেষ্ঠত্ব দাবি করে, তবে সেটি বিশ্লেষণ নয়, লেবেল জালিয়াতি।
আমি স্টেডিয়ামের শব্দ সমীকরণ বদলে না দেওয়া পর্যন্ত স্প্রেডশিটকেই বিশ্বাস করি। কিন্তু স্প্রেডশিট নিজে নিজে সত্য নয় — স্প্রেডশিট হলো একটি দাবি, যার সঙ্গে হিসাবের রসিদ জুড়ে থাকে। রসিদ না থাকলে সংখ্যা আর অনুমানের মধ্যে কোনো পার্থক্য নেই।
তথ্যগত লাভ: নতুন যা শিখলাম
এই বিশ্লেষণ থেকে আমার কাছে একটি জিনিস নতুনভাবে পরিষ্কার হলো। আমি এতদিন ভাবতাম, বিশ্লেষণের সবচেয়ে বড় ঝুঁকি হলো দুর্বল প্রমাণ। এখন দেখছি, তার চেয়ে বড় ঝুঁকি হলো দুর্বল শ্রেণিবিন্যাস। কারণ দুর্বল প্রমাণ শেষ পর্যন্ত একটি দুর্বল লেখা তৈরি করে, কিন্তু দুর্বল শ্রেণিবিন্যাস একটি অদৃশ্য ত্রুটি তৈরি করে, যা দশটি ভালো লেখার ভেতরেও বাস করতে পারে।
দ্বিতীয় শিক্ষা হলো মাপার একক। একটি পাইপলাইনের স্বাস্থ্য মাপার সহজ সূচক হলো — লেবেল-ত্রুটির গড় আয়ু। কত সময় লাগে একটি ভুল শ্রেণি ধরা পড়তে? এই সংখ্যাটি যত বড়, মডেলের ভেতরের দূষণ তত গভীর। আমার অনুমান, বেশিরভাগ ফুটবল ডেটা-পাইপলাইনে এই সংখ্যাটি কেউ মাপে না, কারণ মাপতে গেলে কেউ স্বীকার করতে হয় যে ভুল আছে।
তৃতীয় শিক্ষা আমার নিজের কাজ সম্পর্কে। হাতে কোড করা চৌদ্দশো পজেশন সিকোয়েন্স, ছেষট্টি রিপোর্ট, সাতটি মরক্কো ম্যাচ — এই সবের মূল্য কেবল বিশ্লেষণে নয়, বরং একটি যাচাইযোগ্য ভিত্তিতে। কিন্তু সেই ভিত্তি ততক্ষণ সুরক্ষিত নয়, যতক্ষণ না পাইপলাইনের দরজায় কেউ দাঁড়িয়ে জিজ্ঞেস করে — তুমি কে, আর তোমার লেবেল কার লেখা।
পরবর্তী ম্যাচের যাচাইয়ের প্রশ্ন
আমি এখন একটি প্রশ্ন হাতে রাখছি, যার উত্তর আমি নিজেই খুঁজব। আগামী তিন মাসে যে পাইপলাইনগুলো আমি পড়ি বা ব্যবহার করি, তাদের প্রতিটিতে একটি নথি বেছে নিয়ে দেখব — তার লেবেল কে বসিয়েছে, কখন বসিয়েছে, আর সেই লেবেলের সঙ্গে তার ভেতরের সত্তাগুলো মেলে কি না। যদি দশটি নথির মধ্যে একটি নথি তার লেবেল ভেঙে ফেলে, তবে জানব, সমস্যাটি বিচ্ছিন্ন নয়।
আর যদি একটি পাইপলাইনে এমন কোনো সত্তা-যাচাইয়ের ধাপ না থাকে, তবে সেই পাইপলাইনের সংখ্যাগুলো আমি উদ্ধৃত করব না, তা যত পরিচ্ছন্নই দেখাক। কারণ একটি ভাঙা লেজারের উপরে দাঁড়ানো নিখুঁত সংখ্যা আসলে একটি ভদ্র মিথ্যা।
পরিবেশ
এই বিশ্লেষণের পরিবেশ-ব্লকটি অস্বাভাবিক, কারণ এখানে পিচ নেই, আবহাওয়া নেই, দর্শক নেই। তবু একটি পরিবেশ-উপাদান আছে, যা মাপা যায়: শ্রেণিবিন্যাসের সংস্করণ। কোন তারিখে কোন ট্যাক্সোনমি চালু ছিল, কোন ফিড রাউটিং কত দিন অপরিবর্তিত ছিল, কত দিনে একটি লেবেল-ত্রুটি ধরা পড়েছে — এই তিনটি সংখ্যা যেকোনো স্পোর্টস ডেটা অপারেশনের প্রকৃত পরিবেশ। আমি সেগুলো লিখে রাখব। কারণ বত্রিশ দিনে চৌষট্টিটি রিপোর্ট আমাকে শিখিয়েছে, শূন্যস্থান নাম নয়, সিস্টেম — আর সিস্টেমের গলায় সবচেয়ে বড় ফাঁক থাকে সেখানেই, যেখানে কেউ দেখতে পায় না।