খালি ব্লক, শূন্য দাবি: ক্রিকেট ডেটা পাইপলাইনের নীরব ব্যর্থতা

হুক

সকাল ৯:৪০। ম্যানচেস্টারের জানালায় বৃষ্টি, আর ল্যাপটপের পর্দায় ডিকনস্ট্রাকশন টেবিলটা খোলা। ডান দিকের কলামে ভরা আছে মাত্র একটা ঘর — ডোমেইন লেবেল: cricket_world। বাকিটা শূন্য। আর্টিকেল টাইটেল N/A, সোর্স N/A, আর্টিকেল টাইপ Unclassified, কোর ভিউপয়েন্টের এক-লাইন সারাংশ ফাঁকা, লেখকের অবস্থান N/A, উদ্দেশ্য N/A। সবচেয়ে অস্বস্তিকর লাইনটা ইনফরমেশন পয়েন্টের ঘর — সেখানে কোনো তালিকাই নেই। আর এনটিটিজ ইনভলভড-এর নির্দেশনা বলছে, "উপরের ইনফরমেশন পয়েন্ট থেকে চিহ্নিত করুন", অথচ উপরে ইনফরমেশন পয়েন্ট বলতে কিছু নেই।

ক্রিকেট নিয়ে লিখতে বসে এমন পর্দা দেখলে প্রথম আত্মপ্রতিক্রিয়া সরল: ফাঁকা ঘরগুলো কল্পনা দিয়ে ভরে দাও। ফরম্যাট ধরে নাও টি-টোয়েন্টি, দল ধরে নাও একটা, খেলোয়াড় বানিয়ে নাও, তারপর একটা চোখে-পড়ার মতো গল্প লিখে ফেলো। চৌদ্দ বছরের সাংবাদিকতা আমাকে শিখিয়েছে, এটাই সবচেয়ে বিপজ্জনক মুহূর্ত — কারণ ভুল গল্প লিখতে কোনো পরিশ্রম লাগে না, লাগে শুধু সত্যি বলতে। আর একটা ফাঁকা ইনপুট আসলে ডেটা সাংবাদিকের সামনে রাখা সবচেয়ে সৎ প্রশ্নটা: আপনি কি ব্যর্থতা চিনতে পারবেন, নাকি সেটাকে ফাঁকা জায়গা ভরে মেরামত করে দেবেন?

প্রসঙ্গ: দুটি স্তর, একটা শৃঙ্খল

যে পাইপলাইনে আমি কাজ করি, সেখানে প্রতিটি নিবন্ধ দুটি ধাপে যায়। প্রথম স্তরে কাঁচা লেখা থেকে তথ্য তোলা হয় — শিরোনাম, সূত্র, ধরন, মূল বক্তব্য, তথ্যবিন্দু, সংশ্লিষ্ট সত্তা, সময়-সংবেদনশীলতা, সূত্রের গুণমান। দ্বিতীয় স্তরে সেই তথ্যবিন্দুগুলোকে আটটি মাত্রায় ছড়িয়ে বিশ্লেষণ করা হয়: ফরম্যাট ও ম্যাচ-চরিত্র, খেলোয়াড়ের কারিগরি ও ডেটা, দলের পরিস্থিতি ও র‍্যাঙ্কিং, লিগ ও বাণিজ্যিক ইকোসিস্টেম, নিয়ম ও গভর্ন্যান্স, ঝুঁকির ছয়-শ্রেণির ম্যাট্রিক্স, জন-আখ্যান ও প্রত্যাশার ফারাক, এবং শিল্পে সংক্রমণ।

এবার স্বাভাবিক একটা রেকর্ডের বেসলাইনটা ভাবুন। ভালো ইনপুট এলে এই আটটি মাত্রার প্রতিটিতে অন্তত দুই-তিনটি বলতে-পারা তথ্য থাকে — ফরম্যাট (টেস্ট, ওয়ানডে, টি-টোয়েন্টি), ইনিংস বা ওভার-পর্যায়, ভেন্যু, পিচের স্বভাব, শিশির বা DLS-এর সম্ভাবনা, নাম-ধামসহ খেলোয়াড়, অ্যাভারেজ বা স্ট্রাইক রেট, র‍্যাঙ্কিং পয়েন্ট, স্কোয়াডের গভীরতা। বেসলাইন মানে এটা নয় যে সব ঘর ভরে থাকবে; বেসলাইন মানে হলো, কোন ঘর ফাঁকা থাকলে সেটা ব্যাখ্যা করা যায়, আর কোনটা ফাঁকা থাকলে পুরো বিশ্লেষণ ভেঙে পড়ে।

২০১৭ সালে যখন ম্যানচেস্টার বিশ্ববিদ্যালয়ের ছাত্র, তখন ৩৮০টি প্রিমিয়ার লিগ ম্যাচ থেকে আমার প্রথম xG মডেলটা বানিয়েছিলাম। আমার বানানো প্রথম xG মডেল ফুটবলকে প্রেডিক্ট করেনি; সে আমার ধৈর্যকে প্রেডিক্ট করেছিল। ম্যানচেস্টার সিটির ১৮ ম্যাচের জয়ধারাটা পরীক্ষা করে দেখলাম — ৫৬ গোল এসেছে ৪৪.৩ xG থেকে, অর্থাৎ +১১.৭ বেশি। সংখ্যাটা সুন্দর ছিল, কিন্তু মূল শিক্ষাটা অন্য জায়গায় ছিল: প্রতিটি শটকে অবস্থান, শরীরের অংশ আর অ্যাসিস্ট-ধরন দিয়ে স্ট্যান্ডার্ডাইজ না করলে ওই +১১.৭ অর্থহীন। পরের বছর, কাজানে জার্মানি ০-২ দক্ষিণ কোরিয়া, ৭৪ শতাংশ পজেশন, ২৬ শট, ৮ কর্নার, ২.৭ xG — আর প্রতিপক্ষের ৫ শটে ০.৯ xG থেকে দুটো গোল। পিপিডিএ (PPDA) ছিল ৭.২ বনাম ২৪.৬। ১২ ঘণ্টার মধ্যে লেখা অটোপসিতে সিদ্ধান্তে এসেছিলাম: জার্মানি দক্ষিণ কোরিয়ার কাছে হারেনি; তারা হেরেছিল ২৬টি শট আর শূন্য গোলে। ২০২০ সালে, বুনদেসলিগা দর্শকশূন্য হয়ে ফেরার পর প্রথম পাঁচ রাউন্ডে ঘরের মাঠে জয়ের হার ৪৩.২ শতাংশ থেকে নেমে এসেছিল ২১.১ শতাংশে, প্রতি ম্যাচে ঘরের গোল ১.৬৫ থেকে ১.০৮-তে। সেবার লিখেছিলাম, প্রতিটি ফাঁকা স্টেডিয়াম ছিল এমন এক নিয়ন্ত্রিত পরীক্ষা, যেটা কেউ চায়নি।

এই তিনটি কাজ আমাকে একটা নিয়ম শিখিয়েছে, আর সেই নিয়মটাই আজকের ফাঁকা পর্দার প্রেক্ষাপট। নিয়মটা হলো — মডেল যত ভালোই হোক, সেটা পাইপলাইনের মতো সৎ। পাইপলাইন ফাঁকা হলে মডেলও ফাঁকা। আর পাইপলাইনের ফাঁক ধরার একমাত্র উপায় হলো বেসলাইন আগে থেকে লিখে রাখা, তারপর বিচ্যুতি মাপা।

কোর: আটটি মাত্রা, একটাই ভরা ঘর

এখন আসল কাজটা করা যাক, যা গতকাল সকালে করেছিলাম। আটটি মাত্রার প্রতিটিতে গিয়ে দেখতে হবে — ফাঁকাটা কোথায়, কতটা গভীর, আর সেটা কী অর্থ বহন করে।

ব্যর্থতার অ্যানাটমি: ফাঁকা ঘরগুলো নিজেই ডেটা

ফরম্যাট ও ম্যাচ-বিশ্লেষণে চারটি ঘর — ফরম্যাট প্রেক্ষাপট, মূল পর্বের পারফরম্যান্স, ভেন্যু-উপাদান, পরিবেশগত উপাদান — চারটাই "N/A — অপর্যাপ্ত তথ্য"। খেলোয়াড়ের কারিগরি বিভাগে অ্যাভারেজ, স্ট্রাইক রেট বা ইকোনমি, পরিস্থিতিভিত্তিক স্প্লিট, সাম্প্রতিক প্রবণতা — সব N/A, এবং লিগ-বেঞ্চমার্কের ঘরও N/A, কারণ কারও সঙ্গে তুলনা করার মতো কোনো নামই নেই। দলের পরিস্থিতিতে আইসিসি র‍্যাঙ্কিং N/A, ঘরোয়া-বিদেশি প্রোফাইল N/A, ব্যাটিং গভীরতা, বোলিং কম্বিনেশন, বেঞ্চ, বয়স-কাঠামো — চারটাই N/A। বাণিজ্যিক ইকোসিস্টেমে সম্প্রচার-স্বত্বের মূল্য, ফ্র্যাঞ্চাইজি ভ্যালুয়েশন, খেলোয়াড়ের বেতন, নিলামের দাম — সব N/A। নিয়ম ও গভর্ন্যান্সের পাঁচটি চেকপয়েন্ট — ক্ষমতা ও রাজস্ব বণ্টন, খেলার নিয়ম বিতর্ক, সততা ও দুর্নীতিবিরোধী, যোগ্যতা ও নির্বাচন, রাজনৈতিক উপাদান — সব N/A। ঝুঁকির ম্যাট্রিক্সে ছয়টি শ্রেণি (ক্রীড়া, কর্মী, বাণিজ্যিক, নিয়ম-সততা, জনমত, সিস্টেমিক) — ছয়টাই N/A। আখ্যান বিশ্লেষণে বর্তমান আখ্যান, তাপ-চক্রের পর্যায়, প্রত্যাশার ফারাক — সব N/A। শিল্প-সংক্রমণে ব্রডকাস্ট, দক্ষিণ এশিয়ার মূল বাজার, প্রতিভা-সরবরাহ শৃঙ্খল, পুঁজির নেটওয়ার্ক, বাজি-ফ্যান্টাসি, ডেরিভেটিভ মার্কেট — ছয়টাই N/A।

এখানেই প্রথম নতুন তথ্য, যা কোনো ম্যাচ রিপোর্টে থাকে না: ফাঁকা ঘরগুলোর সংখ্যা নিজেই একটা ডেটাসেট। এই টেবিলে মোট যত ঘর আছে, তার মধ্যে ভরা মাত্র একটা — ডোমেইন লেবেল। ফাঁকা-ভরা অনুপাত প্রায় ৫০:১। যদি এটা একটা ইনিংস হতো, তাহলে বলতাম স্যাম্পল সাইজ শূন্য, কনফিডেন্স ইন্টারভ্যাল অসীম। কিন্তু এটা ইনিংস নয়, এটা একটা ডেটা-পাইপলাইনের আউটপুট। আর পাইপলাইনের ক্ষেত্রে এই অনুপাতটা একটা ডায়াগনস্টিক — অনেকটা ক্রিকেট স্কোরকার্ডে অতিরিক্ত (extras) গুনে বোলারদের ছন্দ বোঝার মতো।

অনুপস্থিতির তিন ধরন

সাংবাদিক হিসেবে অনুপস্থিত ডেটা নিয়ে কাজ করার সময় আমি তিনটা শ্রেণিতে ভাগ করি, এবং এই শ্রেণিবিভাগটাই বলে দেয় ফাঁকটা মেরামতযোগ্য কি না।

প্রথম শ্রেণি: সম্পূর্ণ এলোমেলো অনুপস্থিতি। এটা নিরীহ। ধরা যাক, একটা সিরিজের পাঁচ ম্যাচের মধ্যে একটার স্কোরকার্ড ফিডে ঢোকেনি — সেটা বাকি চারটার বিশ্লেষণ নষ্ট করে না।

দ্বিতীয় শ্রেণি: শর্তসাপেক্ষ অনুপস্থিতি। এখানে ফাঁকটা অন্য একটা দৃশ্যমান চলকের সঙ্গে যুক্ত। ক্রিকেটে সবচেয়ে পরিচিত উদাহরণ বৃষ্টি। বৃষ্টিতে কাটা ম্যাচে যে ওভারগুলো হয় না, সেগুলো এলোমেলোভাবে হারায় না — সেগুলো হারায় আবহাওয়ার সঙ্গে সম্পর্কিতভাবে। টেস্ট ক্রিকেটে যেখানে পাঁচ দিনের মধ্যে চতুর্থ-পঞ্চম দিনের শিশির বা বৃষ্টির ভূমিকা বড়, সেখানে এই ধরনের অনুপস্থিতি মডেলের ভেতরে ঢুকলে সেটা ঠিক করা যায়, কারণ কারণটা জানা।

তৃতীয় শ্রেণি: কারণ-সংক্রান্ত অনুপস্থিতি। এটাই বিপজ্জনক। ফাঁকটা হারানোর প্রক্রিয়ার সঙ্গেই সম্পর্কিত। উপরের পর্দাটা এই শ্রেণির। একটা নির্দিষ্ট দৈর্ঘ্যের, নির্দিষ্ট গঠনের নিবন্ধ যখন এক্সট্র্যাক্টরে ঢোকে, তখন সেটা আটকে যায়, আর আউটপুটে আসে শূন্য তথ্যবিন্দু। মানে অনুপস্থিতিটা নির্ভর করছে নিবন্ধের ধরনের উপর, তথ্যের উপর নয়। ফলাফল: পাইপলাইন নিজে নিজের অন্ধ-দাগ তৈরি করে, আর সেই অন্ধ-দাগে পড়ে যাওয়া ম্যাচগুলো বিশ্লেষণহীন থেকে যায়।

জোরে ব্যর্থতা বনাম নীরব ব্যর্থতা

একটা সিস্টেম যখন ভেঙে পড়ে, তখন সেটা চিৎকার করে। স্কোরকার্ড ফিড না এলে আমার পুরনো ড্যাশবোর্ড লাল হয়ে যেত, আমি টের পেতাম। কিন্তু গতকাল সকালে কোনো চিৎকার ছিল না। আটটি মাত্রার সব ঘর "N/A — অপর্যাপ্ত তথ্য" দিয়ে ভরে গিয়ে টেবিলটা একটা সম্পূর্ণ কাঠামোর চেহারা নিয়েছিল। আটটি বিভাগ, প্রতিটির অন্তর্গত টেবিল, প্রতিটির নিচে "সিদ্ধান্ত", "প্রমাণ", "লুকানো তথ্য", "ঝুঁকির পতাকা" — সব সাজানো। উপরের দিকে একটা "সম্পূর্ণ মূল্যায়ন", নিচে তথ্য-মূল্যের রেটিং, ঝুঁকির সতর্কবার্তা, পর্যবেক্ষণের সংকেত, পরিভাষার টীকা।

নীরব ব্যর্থতা জোরে ব্যর্থতার চেয়ে অনেক বেশি বিপজ্জনক, কারণ নীরব ব্যর্থতা রিপোর্টের মতো দেখতে হয়। জোরে ব্যর্থতা আটকে দেয়; নীরব ব্যর্থতা একটা ফরম পূরণ করে দেয়। আর সংবাদ-পাইপলাইনে ফরম পূরণ হওয়া মানেই সবচেয়ে বড় ঝুঁকি — নিচের ধাপে কেউ হয়তো ধরেই নেবে এটা একটা বিশ্লেষণ, অথচ এটা আসলে একটা কাঠামো, ভেতরে বাতাস।

আমি এখানে স্পষ্ট করতে চাই, গতকালের আউটপুটে ভুল কিছু ছিল না। কৃত্রিম বুদ্ধিমত্তা বা বিশ্লেষক কোনো ক্রিকেট-দাবি বানিয়ে ফেলেনি। এটা সঠিক আচরণ। ভয়টা ভবিষ্যতের — যখন একই রকম শূন্য ইনপুট প্রতিদিন পাঁচবার আসবে, আর সেই পাঁচটা শূন্য আউটপুট একটা সম্পূর্ণ নিউজলেটার ভরে ফেলবে।

লেজার যেখানে ফাঁকা ব্লক

আধুনিক স্পোর্টস ডেটা সিস্টেমকে আমি একটা খাতার মতো ভাবি — এমন একটা খাতা যেখানে প্রতিটি এন্ট্রির সূত্র থাকতে হবে, টাইমস্ট্যাম্প থাকতে হবে, আর এন্ট্রি একবার লেখা হয়ে গেলে সেটা মুছে ফেলা যাবে না। এই খাতা মানে জাদু নয়, নিছক অপরিবর্তনীয় অডিট-ট্রেইল। প্রতিটি বিশ্লেষণী দাবির নিচে থাকবে শিরোনাম, ইউআরএল, প্রকাশের সময়, লেখকের নাম।

গতকালের আউটপুটে ঠিক এই স্তরটাই ভেঙেছিল। কারণ শিরোনাম N/A, সূত্র N/A, সময় N/A, লেখক N/A। শিরোনামহীন, সূত্রহীন এন্ট্রি আসলে এন্ট্রি নয় — সেটা একটা ফাঁকা ব্লক, আর ফাঁকা ব্লকসহ খাতা খাতা থাকলেও খাতা নয়। শিল্পে এর একটা নাম আছে: ট্রেসেবিলিটি ঝুঁকি। কে লিখল, কখন লিখল, কোন তথ্যের ভিত্তিতে লিখল — এগুলোর উত্তর না থাকলে ওই লেখার কোনো দাম নেই, তবে সেটা খারাপ লেখা নয়। সেটা লেখা নয়।

এখানে একটা বাস্তব প্রশ্ন ওঠে: পাইপলাইনে কোনো একটা কাঠামো তৈরি হওয়ার আগে তার সূত্র সংরক্ষণ করা কি বাধ্যতামূলক? আমার উত্তর — অবশ্যই। আমি এই অভ্যাসটা নিয়েছিলাম ২০১৭ সালে, যখন নিজের কোড আর কাঁচা ডেটা প্রকাশ্যে ছেড়ে দিয়েছিলাম, যাতে অন্য কেউ আমার সংখ্যাগুলো দ্বিতীয়বার চালিয়ে দেখতে পারে। দুবার চালানো না গেলে সংখ্যাটা আমার সংখ্যা, তথ্যের সংখ্যা নয়।

ট্যাক্সোনমির মোটা দাগ

লক্ষ করার মতো দ্বিতীয় ব্যাপার — ভরা ঘরটাও। সেখানে লেখা cricket_world। এটা ফরম্যাট নয়, দল নয়, লিগ নয়, ইভেন্ট নয়, নিয়ম নয়। এটা একটা ছাতা-লেবেল। আর ক্রিকেটে ছাতা-লেবেল দিয়ে কিছু হয় না।

কারণটাই এই খেলার সবচেয়ে বড় ডেটা-সমস্যা। টেস্ট ক্রিকেট, ওয়ানডে আর টি-টোয়েন্টি — তিনটার ট্যাকটিক্যাল যুক্তি আলাদা, আর তিনটার মেট্রিক সরাসরি তুলনীয় নয়। একজন বোলারের টেস্ট ইকোনমি ২.৮, আর টি-টোয়েন্টিতে সেটাই ৮.৫ — দুটো সংখ্যা পাশাপাশি রাখলে অর্থহীন, কারণ সেগুলো দুটো আলাদা খেলার দুটো আলাদা প্রশ্নের উত্তর। ব্যাটিং অ্যাভারেজও তাই। ফর্ম্যাটের সীমানা টানা না গেলে যেকোনো তুলনা একটা নীরব মিথ্যা।

আমার নিজের কাজে এই সমস্যাটা আরও সূক্ষ্ম জায়গায় ঢোকে। xG থেকে শটের মান বের করার সময় আমি প্রতিটা শটকে অবস্থান, শরীরের অংশ আর অ্যাসিস্ট-ধরন দিয়ে স্ট্যান্ডার্ডাইজ করি। ক্রিকেটে এর অনুরূপ কাজ করলে ফরম্যাট, ইনিংস-পর্যায়, ফিল্ড-সেটিং আর পাওয়ারপ্লে-মৃত-ওভার-শেষের ওভার — এই চারটা লেয়ার আলাদা না করলে কোনো তুলনাই টেকে না। মানে cricket_world লেবেলটা শুধু অস্পষ্ট নয়, সেটা সক্রিয়ভাবে ক্ষতিকর: কারণ একটা জেনেরিক ট্যাগ ধরে যখনই কেউ দুইটা আলাদা ফরম্যাটের তথ্য একসঙ্গে মডেলে ফেলবে, মডেল হাসবে না, চুপ থাকবে, আর একটা ভুল সংখ্যা তৈরি করবে।

ব্যাচ-স্তরের নজরদারি

একটা ফাঁকা ইনপুট মানে কিছুই নয়। অনেকগুলো ফাঁকা ইনপুট মানে একটা সিস্টেমের উপসর্গ। এখানেই আমি ম্যাচ-বিশ্লেষণের বদলে প্রক্রিয়া-বিশ্লেষণে যাই, এবং এটা ইচ্ছাকৃত পছন্দ।

পদ্ধতিটা এই: প্রতি ব্যাচে মোট নিবন্ধের সংখ্যা গুনি, তার মধ্যে শূন্য-ইনফরমেশনপয়েন্ট ফলাফলের সংখ্যা গুনি, তারপর ভগ্নাংশটা বের করি। আমার অনুমান, একক ব্যর্থতা দুই থেকে পাঁচ শতাংশের মধ্যে থাকলে সেটা স্বাভাবিক — কাঁচা ফিডে সবসময় কিছু নষ্ট নিবন্ধ থাকে। কিন্তু এই হার যদি এক ব্যাচ থেকে আরেক ব্যাচে ঊর্ধ্বমুখী হয়, তাহলে উপসংহার বদলে যায়: তখন আর কথা হচ্ছে ফিডের গুণমান নিয়ে নয়, কথা হচ্ছে ইনজেশন আউটেজ নিয়ে। কোনো একটা উপাদান — ক্রলার, পার্সার, ডিকনস্ট্রাক্টর — পড়ে গেছে, আর কেউ খেয়াল করেনি।

এই নজরদারির জন্য দরকার তিনটি সংকেত। প্রথম, পুনরায় ভরা ইনফরমেশন পয়েন্ট — একই সোর্স দ্বিতীয়বার প্রসেস করলে যদি ঘর ভরে যায়, তাহলে সমস্যাটা ছিল ক্ষণস্থায়ী। দ্বিতীয়, প্রতি ব্যাচে শূন্য-ফলাফলের হার। তৃতীয়, ডোমেইন-লেবেলের সূক্ষ্মতা — লেবেলগুলো যদি দিনের পর দিন cricket_world হয়েই থাকে, তাহলে সেটা রাউটিং দুর্বল করে দিচ্ছে।

অদৃশ্য ম্যাচের খরচ

এখন আসি সেই প্রশ্নে, যেটা সবচেয়ে কম আলোচিত, অথচ সবচেয়ে গুরুত্বপূর্ণ: একটা ম্যাচের খবর না লেখার খরচ কত?

একটা ভুল লেখার খরচ আমরা বুঝি — পাঠক ধরে ফেলে, সংশোধন ছাপতে হয়, সুনাম যায়। কিন্তু একটা ম্যাচের উপর লেখা না হওয়ার খরচ কেউ ধরে না। পাঠক অভিযোগ করতে পারে না যে আজকের ম্যাচের বিশ্লেষণ আসেনি, কারণ সে জানে না সেটা আসার কথা ছিল। পাইপলাইনে কোনো লাল বাতি জ্বলে না। ভুলের শিকার হয় একটা বাস্তব ঘটনা, যার পূর্ণ ডেটা কোথাও আছে, শুধু আমাদের কাঠামোর ভেতরে ঢোকার দরজা খোলেনি।

ক্রিকেটে এই ঝুঁকিটা বিশেষভাবে তীব্র, কারণ ক্যালেন্ডার ঘন। বিশ্ব টেস্ট চ্যাম্পিয়নশিপের চক্র বছরের পর বছর ধরে চলে, দ্বিপাক্ষিক সিরিজগুলো ছড়ানো, আর আইপিএলের মতো ফ্র্যাঞ্চাইজি জানালাগুলো দুই মাসে সাতাশটির বেশি ম্যাচ ঢেলে দেয়। এই ঘনত্বে একটা হারিয়ে যাওয়া রেকর্ড শুধু একটা ফাঁক নয় — সেটা পরের ধাপের ভুলের বীজ। কারণ কোনো ম্যাচের ডেটা না এলে সেটা বেসলাইনে ঢোকে না, আর বেসলাইনে না ঢুকলে পরের বিচ্যুতিগুলো আমরা ভুল বেসলাইনের সঙ্গে মাপি।

ম্যানেজড টাইমলাইন, ম্যানেজড ব্ল্যাংক

এই জায়গায় একটা মিল আমাকে বারবার থামায়। ইনজুরি নিয়ে কাজ করার সময় আমি দেখেছি, ফিরে আসার সময়সীমা প্রায়ই ক্লাবের যোগাযোগ বিভাগ পরিচালনা করে, চিকিৎসা বিভাগ নয়। "সপ্তাহে-সপ্তাহে মূল্যায়ন" শব্দবন্ধটা শুনতে নির্দিষ্ট লাগে, কিন্তু বাস্তবে সেটা প্রায়ই বোঝায় সেরে ওঠা এখনো কাছে নয়। ভাষাটা তথ্য দেয় না, ভাষাটা অনিশ্চয়তাকে ঢেকে রাখে।

ডেটার ক্ষেত্রেও ঠিক একই কৌশল কাজ করে। "N/A — অপর্যাপ্ত তথ্য" দেখতে নির্দোষ, প্রক্রিয়ার সততার নিদর্শন মনে হয়। কিন্তু কখনও কখনও N/A মানে জানা নেই, আর কখনও কখনও N/A মানে কেউ জানতে চায়নি। এই দুইয়ের ফারাকটা মাপা না গেলে সততাও মাপা যায় না।

একই রকম একটা কথা ভিডিও রিভিউ নিয়ে বলার আছে। দীর্ঘ রিভিউ ম্যাচের ছন্দ কেটে খানখান করে দেয়; গোল উদযাপনের পর দুই মিনিট অপেক্ষা করলেই উদযাপনটা ঠান্ডা হয়ে যায়। ডেটা পাইপলাইনে এই অপেক্ষাটা আরও নিঃশব্দ, কিন্তু আরও ক্ষতিকর — একটা ফাঁকা আউটপুট টেবিলের আকারে বসে থাকে, আর কেউ সেটাকে সিদ্ধান্ত মনে করে নেয়। পার্থক্য একটাই: রিভিউয়ের ফল ঘোষণা করা যায়, আর ফাঁকা ডেটার ফল ঘোষণা করার কিছু থাকে না।

কন্ট্রারিয়ান: এটা ব্যর্থতা নয়, এটা গার্ডরেল

এখন যেটা বলা দরকার, আর যেটা এই পুরো বিশ্লেষণের সবচেয়ে অস্বস্তিকর উপসংহার।

গতকাল সকালের আউটপুটকে আমি ব্যর্থতা বলছিলাম। কিন্তু যদি ঘুরে দাঁড়িয়ে দেখি, এটা পাইপলাইনের সফলতা। কারণ সবচেয়ে বড় ঝুঁকি কখনোই খালি ইনপুট নয়। সবচেয়ে বড় ঝুঁকি হলো পাতলা ইনপুট থেকে আত্মবিশ্বাসী আউটপুট। একটা সিস্টেম যখন এক লাইনের খবর পড়ে দশটা অনুচ্ছেদের ট্যাকটিক্যাল বিশ্লেষণ লিখে ফেলে, তখন সেটা ব্যর্থ হয় না — সেটা সফল দেখায়, আর সেটাই আসল বিপর্যয়।

যে সিস্টেম ফাঁকা ইনপুটে চুপ করে থাকে, সেটা অলস নয়; সেটা সৎ। গতকাল কোনো ক্রিকেট-দাবি বানানো হয়নি, কোনো কাল্পনিক ম্যাচ রিপোর্ট লেখা হয়নি, কোনো খেলোয়াড়ের নাম জোড়া হয়নি। এটা একটা গার্ডরেল, যেটা কাজ করেছে। ক্রিকেট-বিশ্লেষণে গার্ডরেলগুলো প্রায়ই অদৃশ্য থাকে, কারণ ভুল দাবি দেখতে ঠিক দাবির মতোই লাগে — একটা মিথ্যা xG সংখ্যাও দশমিকের পর একটা ঘর নিয়ে আসে, আর সেই দশমিকটাই সত্যের ছদ্মবেশ।

দ্বিতীয় কন্ট্রারিয়ান পয়েন্ট বেসলাইন নিয়ে। আমি বেসলাইন-বিচ্যুতি পদ্ধতিতে লিখি, কিন্তু বেসলাইনের প্রতি আমার একটা স্থায়ী সন্দেহ আছে। "স্বাভাবিক ডিকনস্ট্রাকশন আউটপুটে দশটা তথ্যবিন্দু থাকে" — এটা আমি কোথা থেকে জানলাম? যুগ, প্রতিযোগিতা, পিচ, ডেটার উৎস — সব বদলালে বেসলাইনও বদলায়। এই লেখায় যে বেসলাইনটা ব্যবহার করেছি, সেটা আমার নিজের অভিজ্ঞতার বেসলাইন, কোনো প্রতিষ্ঠিত মান নয়। পাঠকের উচিত এই বেসলাইনটাও প্রশ্ন করা, ঠিক যেমনটা আমার উচিত নিজের মডেল প্রশ্ন করা।

তৃতীয় পয়েন্ট আখ্যান নিয়ে। আখ্যান-সংশয়বাদ আমার স্বভাব, কিন্তু আখ্যানকে শত্রু ভাবা আমার ভুল হবে। আখ্যান হলো একটা হাইপোথিসিস, যেটাকে চালানোর উপযোগী করতে হয়। গতকালের ফাঁকা টেবিলটা আখ্যানকে খারিজ করেনি — এটা শুধু দেখিয়েছে, ওই আখ্যানটার কোনো কার্যকর সংজ্ঞা এখনো তৈরি হয়নি। এটা অস্বীকার নয়, এটা অপেক্ষা।

আর চতুর্থ, সবচেয়ে ব্যক্তিগত পয়েন্ট। এই ফাঁকা ইনপুটটা আমার কাছে একটা পরিষ্কার পরীক্ষা-উপকরণ। নিয়ন্ত্রিত পরিবেশে একটা মডেল যখনই নতুন হয়, আমি প্রথমে সেটাকে শূন্য ডেটায় চালাই — দেখতে চাই সে কী করে। যদি সে শূন্য ডেটাতেও গল্প বানায়, তাহলে সে কখনোই বিশ্বাসযোগ্য নয়, কারণ বাস্তব ডেটাতেও সে ঠিক এই কাজটাই করবে, শুধু বেশি বিশ্বাসযোগ্যভাবে। গতকাল যেটা হয়েছে, সেটা আসলে একটা পরীক্ষা — বিনা পরিকল্পনায়।

টেকঅওয়ে: পরের রাউন্ডের সংকেত

এই লেখার শেষে কোনো সারসংক্ষেপ নেই, কারণ সারসংক্ষেপ দরকার নেই। যা দরকার, তা হলো পরের রাউন্ডে কী দেখতে হবে।

প্রথম সংকেত: একই সোর্স দ্বিতীয়বার প্রসেস করে ইনফরমেশন পয়েন্টের ঘর ভরে কি না। ভরে গেলে সমস্যাটা ছিল এককালীন, ফাইলে যাওয়ার মতো কিছু নেই। না ভরলে সমস্যাটা প্রক্রিয়ায়, ব্যক্তিতে নয়।

দ্বিতীয় সংকেত: প্রতি ব্যাচে শূন্য-ফলাফলের হার। একক ঘটনা সহনীয়, প্রবণতা নয়। হার বাড়তে থাকলে আমাদের কথা বলা উচিত ইনজেশন আউটেজ নিয়ে, নিবন্ধের গুণমান নিয়ে নয়।

তৃতীয় সংকেত: ডোমেইন-লেবেলের সূক্ষ্মতা। cricket_world-এর নিচে যদি ফরম্যাট, লিগ আর দল যোগ না হয়, তাহলে প্রতি ফাঁকা রেকর্ডের সঙ্গে একটা ভুল তুলনার সম্ভাবনাও যোগ হয়ে যায়।

চতুর্থ, সবচেয়ে জরুরি সংকেত: প্রতিটি রেকর্ডে শিরোনাম, ইউআরএল, টাইমস্ট্যাম্প আর লেখকের নাম সংরক্ষণ করা। এটা কোনো বিলাসিতা নয়, এটাই প্রমাণশৃঙ্খলার ভিত্তি।

আমি আখ্যানের পেছনে ছুটি না; আমি একটা টেবিল বানিয়ে বসে থাকি, আখ্যান যাতে নিজে এসে দাঁড়ায়। গতকাল টেবিলটা এসেছিল, কিন্তু আখ্যান আসেনি। আমার কাজ ছিল সেটা স্বীকার করা, ফাঁকা ঘর কল্পনা দিয়ে ভরা নয়।

আর একটা প্রশ্ন রয়ে যায়, যেটার উত্তর আমার কাছে নেই। গত বছর কতগুলো ম্যাচের বিশ্লেষণ কখনো লেখা হয়নি শুধু এই কারণে যে একটা ফাঁকা ঘর সম্পূর্ণ রিপোর্টের মতো দেখতে হয়েছিল? সেই সংখ্যাটা কারও টেবিলে নেই, কারণ কেউ সেটা মাপেনি। আর যা মাপা হয় না, সেটা সংশোধনও করা যায় না।