পূজার গাউন আর ক্রিকেট ডেটা: একটি ভুল লেবেলের ট্যাকটিক্যাল অটোপসি

গত রাতে ইনজেশন কিউয়ের একটি লগ রেকর্ড খুলে বসেছিলাম। লেবেলে স্পষ্ট লেখা — cricket_asia। এমন লেবেল দেখলে আমার প্রত্যাশা প্রায় স্বয়ংক্রিয়: একটি ফরম্যাট, একটি ইনিংস, পাওয়ারপ্লের স্কোর, কিংবা ডেথ ওভারের ইকোনমি রেট। কিন্তু রেকর্ডের ভেতরে ঢুকে আমি যে জগতে পড়লাম, সেখানে ক্রিকেটের ছিটেফোঁটাও নেই। একটি মেরুন রঙের গাউন, তার কাট, গয়নার বর্ণনা, মেকআপের স্তর। ছবির ক্রম — ১/১০, ৪/১০, ৭/১০। একজন অভিনেত্রী, মন্দিরা চক্রবর্তী, দুর্গাপূজার আগের সন্ধ্যায় তাঁর পোশাকের ছবি ভাগ করে নিয়েছেন, আর ক্যাপশনে লিখেছেন — “আমি স্পটলাইট অনুসরণ করি না, আমি স্পটলাইট হয়ে উঠি।”

এটি আমার সাম্প্রতিকতম রিভাচের সবচেয়ে অদ্ভুত আবিষ্কার। ২০১৮ বিশ্বকাপ ফাইনালের টেপ ঘুরিয়ে ঘুরিয়ে যিনি মিডফিল্ড খুঁজে বের করেছিলেন, তাঁর কাছে এই রেকর্ড কোনো ম্যাচ নয় — এটি একটি সিস্টেমের ভুল। আর ঠিক সেই কারণেই এটি আমার কাছে ম্যাচের চেয়ে কম গুরুত্বপূর্ণ নয়। কারণ আমি যদি একটি ভুল লেবেল চিনতে না পারি, তবে সঠিক স্কোরকার্ডও আমি বিশ্বাস করতে পারব না।

আমি দুই দশক ধরে খেলা দেখি, কিন্তু গত কয়েক বছর ধরে আমি আরেকটি খেলা শিখেছি — ডেটা পাইপলাইনের খেলা। যে ফিড থেকে আপনি ম্যাচের আগে প্লেয়ার-ইমপ্যাক্ট স্কোর, পাওয়ারপ্লের চাপ, কিংবা বোলিং ওয়ার্কলোডের হিসাব পান, তার পেছনে থাকে একাধিক স্তরের শ্রেণীবিভাগ। প্রথম স্তরে একটি টেক্সট-স্নিপেট পড়া হয়, কীওয়ার্ড মেলানো হয়, আর একটি ডোমেইন লেবেল বসানো হয়। cricket_asia সেই লেবেলগুলোর একটি। সিডনিতে বসে যখন আমি অস্ট্রেলিয়ার বাজারের জন্য ক্রিকেট কভার করি, তখন আমার প্রতিদিনের প্রথম কাজ এই ফিডটিকে যাচাই করা — ঠিক যেমন কুড়ি বছর আগে রেডিও মেট্রোওয়েভে সাবান-বাক্সের শৃঙ্খলা শিখেছিলাম, প্রথমে কনটেন্ট, তারপর সম্প্রচার।

সমস্যাটা কীওয়ার্ড মেলানোর গাণিতিক সীমাবদ্ধতায়। দক্ষিণ এশিয়ার সাংবাদিকতার জগতে “পূজা,” “মহালয়া,” “ষষ্ঠী,” কিংবা একটি বাংলা নাম — এগুলো একটি নির্দিষ্ট সাংস্কৃতিক ক্যালেন্ডারের সংকেত। কিন্তু একটি ক্লাসিফায়ার যদি সংখ্যাগরিষ্ঠ বাংলা ভাষার ক্রিকেট কর্পাসে প্রশিক্ষিত হয়, তাহলে ভৌগোলিক ও ভাষাগত নৈকট্যই তার জন্য যথেষ্ট হয়ে দাঁড়ায় — বিষয়বস্তু মেলানো ঐচ্ছিক হয়ে পড়ে। এই রেকর্ডে ২৩টি তথ্যবিন্দু আছে; একটিও ম্যাচ, খেলোয়াড়, দল, লিগ কিংবা শাসনব্যবস্থার কথা বলে না।

এখানে একটা কাঠামোগত বিষয় পরিষ্কার করা দরকার। দুর্গাপূজা বাঙালির সাংস্কৃতিক বছরের সবচেয়ে ঘন সমেন্ট-উইন্ডো। মহালয়া দিয়ে দেবীপক্ষ শুরু হয় — যা বাংলা পঞ্জিকার একটি নির্দিষ্ট তারিখে পড়ে — আর ষষ্ঠী থেকে দশমী পর্যন্ত পাঁচ দিনে বাংলা সংস্কৃতির অভিব্যক্তি শীর্ষে পৌঁছায়। এই সময়ে সেলিব্রিটি-মিডিয়া, ফ্যাশন, ব্র্যান্ড আর সামাজিক যোগাযোগমাধ্যমের কনটেন্ট-বন্যা একটি নির্দিষ্ট ছন্দে বয়ে যায়।

যেকোনো ক্লাসিফায়ার, যার প্রশিক্ষণ-ডেটায় “বাংলা” আর “দক্ষিণ এশিয়া” একসাথে বসে, এই সময়ে ভুলের ঝুঁকি সবচেয়ে বেশি। কারণ একই ভৌগোলিক টোকেন দুই ভিন্ন ডোমেইনে ব্যবহৃত হয় — ক্রিকেট আর উৎসব। আমি ইউরো আর অলিম্পিক একই বছরে পড়ার সময় ফ্যাটিগকে যেভাবে প্রথম-শ্রেণির ভেরিয়েবল হিসেবে গণনা শুরু করেছি, ঠিক তেমনি ডেটা পাইপলাইনে উৎসব-মৌসুমকেও আমি একটি ভেরিয়েবল হিসেবে দেখি।

এবার আসল বিশ্লেষণে আসি। আমি এই রেকর্ডকে একটি ম্যাচের মতোই ভাঙতে শুরু করলাম — কেবল মাঠের বদলে সিস্টেম।

প্রথম পর্যবেক্ষণ: এই ভুলটি কোনো বিচ্ছিন্ন ঘটনা নয়, এটি একটি প্রত্যাশিত ব্যর্থতার ধরন। যে পাইপলাইন ভাষা ও ভূগোলকে ডোমেইন-সংকেত হিসেবে ব্যবহার করে, সে অনিবার্যভাবে দুই ধরনের ভুল করবে — ভুল-ধনাত্মক আর ভুল-ঋণাত্মক। এখানে ঘটেছে ভুল-ধনাত্মক: অ-ক্রিকেট কনটেন্ট ঢুকে পড়েছে ক্রিকেট ডেটাসেটে। প্রশ্ন হলো, কতটা এবং কেন।

দ্বিতীয় পর্যবেক্ষণ: এনটিটি-দূষণ এই ভুলের সবচেয়ে ব্যয়বহুল ফলাফল। ধরুন আপনার ক্রিকেট এনটিটি-রেজিস্ট্রিতে একজন অভিনেত্রীর নাম ঢুকে গেল। পরের ধাপে যখন আপনি “সবচেয়ে আলোচিত ব্যক্তি” কিংবা “ভাইরাল এনটিটি” তালিকা তৈরি করবেন, তখন একটি ফ্যাশন-নাম ক্রিকেট-তালিকায় ভেসে উঠবে। একবার এনটিটি-গ্রাফে ঢুকে গেলে সেটি সহজে বেরোয় না, কারণ অনেক ডাউনস্ট্রিম মডেল সেই গ্রাফের উপর নির্ভর করে। এটি ঠিক তেমন — যেমন একটি ম্যাচের স্কোরকার্ডে ভুল নাম বসলে পরে সেটি রেকর্ডবুকের অংশ হয়ে যায়।

তৃতীয় পর্যবেক্ষণ — এবং এটিই সবচেয়ে সূক্ষ্ম: কনটেন্টের প্রকৃতি যাচাই না করে লেবেল বসানো মানে আপনি ম্যাচ দেখার আগেই ফলাফল ঘোষণা করছেন। আমি যখন ২০১৭ সালের এ-লিগ গ্র্যান্ড ফাইনাল রিভাচ করছিলাম, তখন সিডনি এফসি বনাম মেলবোর্ন ভিক্টোরির ম্যাচে আমি লাইভ-নোট রাখতাম — কে কোথায় দাঁড়াচ্ছে, কোন পাসটি কতটা লাইন ভাঙছে। পরে ফলাফল জেনে রিভাচ করলে আপনি সহজে “সেটা তো দৃশ্যমান ছিল” বলে ফেলেন — এটাই hindsight-এর ফাঁদ। ডেটা পাইপলাইনে একই ফাঁদ: লেবেল বসানো হয় দ্রুত, যাচাই হয় পরে বা কখনও হয় না।

চতুর্থ পর্যবেক্ষণ: ভৌগোলিক ট্যাগ আর বিষয়ভিত্তিক ট্যাগ গুলিয়ে ফেলা একটি সিস্টেম-নকশার ত্রুটি, ব্যক্তিগত ভুল নয়। “এশিয়া” একটি ভূগোল। “ক্রিকেট” একটি বিষয়। যদি ক্লাসিফায়ার এই দুই অক্ষকে একই সমতলে ফেলে, তবে প্রতি উৎসব-মৌসুমে ভুল বাড়বে। ইংরেজিতে একটি প্রচলিত প্রবাদ আছে — garbage in, garbage out। কিন্তু এখানে বিষয়টি আরও সূক্ষ্ম: এ তো garbage নয়, misplaced gold। কনটেন্টটি নিজের ডোমেইনে মূল্যবান — শুধু ভুল ডেটাসেটে বসেছে।

পঞ্চম পর্যবেক্ষণ: এই ভুলের একটি সময়-কাঠামো আছে যা আমি ক্যালেন্ডার-কলিশন নামে চিনি। উৎসব-মৌসুমে নির্দিষ্ট ধরনের কনটেন্টের পরিমাণ গাণিতিকভাবে বেড়ে যায়, আর ক্লাসিফায়ারের ভুলও সেই অনুপাতে বাড়ে। এটি র্যান্ডম নয় — এটি মৌসুমি। ২০২১ সালে ইউরো আর টোকিও অলিম্পিক যখন একই ক্যালেন্ডার-জানালায় চাপ তৈরি করেছিল, তখন আমি শিখেছিলাম যে সময়ই নিজে একটি ভেরিয়েবল। ডেটা পাইপলাইনে ঠিক একই কথা সত্য।

ষষ্ঠ পর্যবেক্ষণ: ক্যাপশনের ভাষা নিজেই একটি সূত্র। “আমি স্পটলাইট অনুসরণ করি না, আমি স্পটলাইট হয়ে উঠি” — এটি একটি ব্যক্তিগত-ব্র্যান্ড ঘোষণা, প্রতিযোগিতামূলক ঘোষণা নয়। ক্রিকেটে খেলোয়াড়েরা মাঠে কথা বলেন; এখানে বিষয়টি ভিন্ন মাধ্যমের ভিন্ন ভাষা। দুই ভাষাকে এক স্লটে ফেলা মানে দুই খেলাকে এক ব্যাখ্যায় জোর করে বসানো — যা আমি কখনও করি না।

সপ্তম পর্যবেক্ষণ: ভুলের খরচ স্পষ্ট দুটি জায়গায়। প্রথমত, ডেটাসেটের নির্ভরযোগ্যতা: যদি প্রতি দশটি রেকর্ডে একটি ভুল ডোমেইনের হয়, তবে যেকোনো পরিসংখ্যান থেকে আপনি ভুল সিদ্ধান্তে পৌঁছাবেন। দ্বিতীয়ত, সংকেত-অনুপাত: একটি ক্রিকেট ডেটাসেটে যখন ফ্যাশন-নামের ফ্রিকোয়েন্সি বাড়ে, তখন মডেল ভুল করে “এই নামটি গুরুত্বপূর্ণ” বলে মনে করতে পারে। দুটোই চুপচাপ ঘটে, কোনো শব্দ ছাড়াই।

অষ্টম পর্যবেক্ষণ: সমাধানটি জটিল নয়, শুধু অস্বস্তিকর। একটি ডোমেইন-গেট — অর্থাৎ একটি যাচাই-স্তর, যা কনটেন্টকে টপিক্যাল ডেটাসেটে ঢোকার আগে ন্যূনতম শর্ত পূরণ করতে বাধ্য করে (যেমন অন্তত একটি স্বীকৃত ক্রিকেট এনটিটি থাকা)। এই একটি নিয়ম থাকলে মেরুন গাউন কখনও cricket_asia লেবেল পেত না। মজার ব্যাপার হলো, আমি এই একই ধরনের “গেট” চিন্তা মাঠেও দেখি — একটি ভালো লো-ব্লকও আসলে একটি গেট, যেটি প্রতিপক্ষের সব সৃজনশীল পাসকে ছেঁকে দেয়।

নবম পর্যবেক্ষণ: ব্রডকাস্ট লিটারেসি আর ডেটা লিটারেসি একই দক্ষতা। আমি ২০১৭ সালের এ-লিগ ফাইনাল নিয়ে লেখার সময় বুঝেছিলাম, সেকেন্ড স্ক্রিন এখন স্টেডিয়ামের অংশ — ক্যামেরা অ্যাঙ্গেল, ডেটা ওভারলে, সহচর পর্দা সবই ট্যাকটিক্যাল পরিবেশের অংশ। ডেটা ফিড ঠিক তেমনই একটি সহচর পর্দা — আপনি সেটিকে অন্ধভাবে বিশ্বাস করলে ভুল করবেন, আবার পুরোপুরি উপেক্ষা করলেও।

দশম পর্যবেক্ষণ: এখানে একটি মানবিক খরচও আছে, যদিও আমি সেটি লিখতে আরাম পাই না। মন্দিরা চক্রবর্তীর পোশাক নিয়ে লেখা একটি সাংস্কৃতিক সংবাদ — সেটি নিজের জায়গায় গুরুত্বপূর্ণ। কিন্তু যখন সেটি একটি ভুল ডেটাসেটে ঢুকে যায়, তখন সেই সংবাদের নিজস্ব পাঠকও বিভ্রান্ত হন, আর ক্রিকেট-পাঠকও। ভুল লেবেল কাউকে সম্মান দেয় না।

এবার একটি অস্বস্তিকর পাল্টা-যুক্তি, যা আমার নিজের পেশার বিরুদ্ধে যায়। আমি যখন বলি এই কনটেন্ট ক্রিকেট ডেটাসেট থেকে বাদ পড়া উচিত, তখন একটি প্রশ্ন জাগে: আমরা কি ক্রিকেট-ডেটাকে খুব সংকীর্ণভাবে সংজ্ঞায়িত করছি?

ক্রিকেট দক্ষিণ এশিয়ায় কেবল ২২ গজের খেলা নয় — এটি উৎসবের মৌসুমে বাড়ির আঙিনায় ঢুকে পড়া একটি সাংস্কৃতিক ঘটনা। দুর্গাপূজার সময় কলকাতা, ঢাকা, সিলেটের মাঠগুলোতে যেভাবে ক্রিকেটের ছায়া পড়ে, সেটি ফ্যাশন-মিডিয়ার চেয়ে কম বাস্তব নয়। মাঝেমধ্যে আমি ভাবি, হয়তো আমার ডেটাসেট খুব পরিষ্কার — আর পরিষ্কার ডেটাসেট কখনও কখনও বাস্তব জীবনের চেয়ে বেশি পরিষ্কার।

তবু আমি এই লোভ প্রত্যাখ্যান করি। কারণ সাংস্কৃতিক নৈকট্য আর বিষয়গত সম্পৃক্তি এক নয়। একটি ফ্যাশন-কনটেন্ট ক্রিকেট ডেটাসেটে ঢুকলে তা ক্রিকেট-বিশ্লেষণের নির্ভুলতা বাড়ায় না, বরং কমায়। এই পাল্টা-যুক্তির মধ্যে একটা প্রলোভন আছে — “সব কিছু ক্রিকেট, যদি যথেষ্ট কল্পনা থাকে।” আমি সেটি প্রত্যাখ্যান করি, ঠিক যেভাবে আমি রিভাচ করতে গিয়ে অতিরিক্ত-ব্যাখ্যাকে প্রত্যাখ্যান করি।

আরেকটি পাল্টা-দিক: হয়তো ভুলটি আমাদের জন্য দরকারি। এই একটি ভুল রেকর্ড আমাদের দেখায়, একটি সিস্টেম কীভাবে ব্যর্থ হয় — আর সিস্টেমের ব্যর্থতা না বুঝলে আপনি সিস্টেমকে বিশ্বাস করতে পারেন না। আমি যখন ডেটা ফিড দেখি, আমি এখন সেই ফিডের ব্যর্থতার ধরনটাও দেখি, ঠিক যেমন ২০২১ সালের ইউরো ফাইনালের ট্যাকটিক্যাল ম্যাপের পাশাপাশি আমি ক্যালেন্ডারের চাপও দেখেছিলাম।

পরের ম্যাচে আমি কী যাচাই করব? আমি এখন প্রতি উৎসব-মৌসুমে আমার পাইপলাইনের ভুল-ধনাত্মক হার পরিমাপ করব — বিশেষ করে বাংলা ও ভৌগোলিক টোকেনগুলোর আশপাশে। কারণ যে সিস্টেম আপনার মাঠের স্কোর গোপন রাখে না, সে সিস্টেম আপনার ডেটার ভুলও গোপন রাখবে না — শুধু আপনাকে সেটি পড়তে জানতে হবে।

আর একটি প্রশ্ন রয়ে গেল, যা আমি উত্তর দিতে পারি না, কিন্তু যেটি আমি ট্র্যাক করব: যদি একটি মেরুন গাউন ক্রিকেট ডেটাসেটে ঢুকতে পারে, তবে পরের উৎসব-মৌসুমে আর কী কী ঢুকবে — আর আমরা সেটি টের পাব কি?