ক্রিকেট ডেটাসেটে ঢুকে পড়া মেরুন গাউন: একটি শ্রেণীবিভাগ-ত্রুটির ফরেনসিক

ফিডের ওই সারিতে লেখা ছিল “ক্রিকেট_এশিয়া”। ঠিক তার নিচে ছবি — একটি মেরুন রঙের গাউন, গলায় ভারী হার, আর একটি নাম: মন্দিরা চক্রবর্তী। সারিটির কোথাও কোনো ম্যাচ নেই, ফরম্যাট নেই, ইনিংস নেই, টস নেই, ডিআরএস নেই। শুধু দশটি ছবি, প্রতিটির গায়ে একটি ক্রমিক নম্বর — ১/১০, ৪/১০, ৭/১০ — আর ক্যাপশনে একটি বাক্য: “আমি স্পটলাইট অনুসরণ করি না, আমি নিজেই স্পটলাইট হয়ে উঠি।” আমি এক মুহূর্ত থেমে গেলাম। বিষয়টি ফ্যাশন-সংবাদ, কিন্তু ট্যাগটি ক্রিকেটের। এই অসঙ্গতিটাই আমার কাছে সবচেয়ে বড় খবর হয়ে উঠল।

আমি সাংবাদিকতা থেকে ডেটায় এসেছি ধীরে ধীরে। ১৯৯৫ সালে ঢাকা লিগে উদিত ক্লাবের হয়ে ওপেনিং ব্যাটার ও উইকেটকিপার হিসেবে খেলতাম; পরে কোচিং, তারপর বিশ্লেষণী লেখালেখি। ২০০৭ সালে ক্রিকেট লেখা থেকে বিসিবির মিডিয়া সেটআপে যাই। সেখানে প্রথম শিখি, একই তথ্য দুই জায়গায় দুই রকম দেখায় — যদি না তুমি প্রতিটি দাবির পাশে তার নমুনা-আকার, তার ওজন-নির্বাচন আর তার ত্রুটির সীমা লিখে রাখো।

২০১৭ সাল। রাঙ্গপুরে দিনে ধান-কলের হিসাব অডিট করি, রাতে হাতে কোড লিখে একটি এক্সজি মডেল বানাই — ফুটবলের, ক্রিকেটের নয়। কারণ এই লিগের জন্য পাবলিক এক্সজি তখনো ছিল না। নিজের দূরত্ব ও কোণ-ভিত্তিক ওজন বানিয়ে আমি বাংলাদেশ প্রিমিয়ার লিগের একটি ৪,০০০ শব্দের বিশ্লেষণ লিখি — ১৩২ ম্যাচ, ৩,৪১০ শট। আবাহনী লিমিটেডের শিরোপা-যাত্রায় প্রকৃত গোলের চেয়ে ৯.৪ এক্সজির ফাঁক ধরা পড়ল। এক সপ্তাহের মধ্যে তিনটি বেটিং সিন্ডিকেট আমাকে ইমেইল করে। সেদিন থেকেই ম্যাচ রিপোর্ট লেখা বন্ধ করে আমি মেথডলজি নোট লিখতে শুরু করি — প্রতিটি দাবির গায়ে তার নমুনা, তার অনুমান আর তার সম্ভাব্য ভুল।

ওই প্রথম বিশ্লেষণ আমাকে একটি শিক্ষা দিয়েছিল: একটি ডেটাসেট কী বাদ দিচ্ছে, তা কী ধরছে তার চেয়ে কম জায়গা নেয় না। আমি একটি খালি স্প্রেডশিট খুলে বাংলাদেশ প্রিমিয়ার লিগকে নিজে নিজে শেখার সুযোগ দিয়েছিলাম। ঠিক একই ভঙ্গিতে আজ এই ফিড-সারিটিকে সামনে রাখছি — আগে অনুমান নয়, আগে গোনা।

রাশিয়া ২০১৮-তে সিন্ডিকেটের রিটেইনার আমাকে একটি ডেটা সাবস্ক্রিপশন আর এক মাসের ভিসা কিনে দেয়। ৬৪টি বিশ্বকাপ ম্যাচে আমি পিপিডিএ লিখে রাখি এবং সেট-পিস এক্সজি টুকে রাখি। টুর্নামেন্টের আগেই লিখি, জার্মানির প্রেস ইতিমধ্যেই ক্ষয়ে গেছে — কোয়ালিফায়ারে তাদের পিপিডিএ ৮.৯ থেকে ১২.৬-তে গড়িয়েছে। তারা গ্রুপ পর্বেই বিদায় নেয়, লেখাটি ৪০,০০০ মানুষ পড়ে। কিন্তু আমার মডেল তখনো তাদের তৃতীয় ফেভারিট বলছিল, তাই আমি টেক্সটে দ্বিধা রেখে দিয়েছিলাম — এবং যুক্তিটা হেরে যাই। সেদিন থেকেই আমি দুই-স্তরের লেখা লিখি: জোরে একটি পাবলিক থিসিস, নিচে একটি শান্ত পরিশিষ্ট, যেখানে আমার মডেল যা ভুল করেছে তার পুরো তালিকা থাকে।

আজকের সারিটি সেই পরিশিষ্টের কাজ। প্রশ্নটি সরল: এই কনটেন্টকে ক্রিকেট বলা যায় কি? উত্তর দিতে প্রথমে গুনে দেখতে হয়, ভেতরে কতগুলো ক্রিকেট-সত্তা আছে। ম্যাচ নেই। ক্রিকেটার নেই। দল নেই। র‍্যাঙ্কিং নেই। লিগ নেই — আইপিএল, বিপিএল, পিএসএল, এসএ২০, কোনোটিরই উল্লেখ নেই। নিয়ম বা গভর্নেন্স নেই। বাণিজ্য নেই। ভেতরে যা আছে, তা হল ছবির সূচক আর স্টাইলিং-বিবরণ: গাউনের কাট, হারের ধরন, মেকআপ। একটি ডেটাসেটে যেখানে ক্রিকেট-সত্তার সংখ্যা শূন্য, সেখানে “ক্রিকেট” ট্যাগ একটি ফ্যাক্ট নয়, একটি অনুমান — এবং একটি ভুল অনুমান।

নামটির দিকে তাকানো যাক। মন্দিরা চক্রবর্তী একজন অভিনেত্রী; তাঁর কোনো ক্রিকেট-ভূমিকা নেই, ব্যাটিং বা বোলিং পরিসংখ্যান নেই। ছবির ক্রমিক সংখ্যাগুলো — ১/১০, ৪/১০, ৭/১০ — কোনো পিচ-ম্যাপ বা শট-চার্ট নয়, শুধু ছবির ক্রম; কোনো বোলিং ইকোনমি নেই, কোনো স্ট্রাইক-রেট নেই, কোনো সিচুয়েশনাল স্প্লিট নেই। সময়-চিহ্নগুলোও ক্রিকেটের নয় — “মহালয়া”, “ষষ্ঠী”, “পূজা” — এগুলো দুর্গা পূজার উৎসব-ক্যালেন্ডার, ফিক্সচার-ক্যালেন্ডার নয়। এই সূত্রগুলোই ইঙ্গিত দেয়, “ক্রিকেট_এশিয়া” লেবেলটি সম্ভবত একটি স্বয়ংক্রিয় পাইপলাইনের ভুল, যেখানে “পূজা” শব্দটি, একটি বাঙালি নাম, আর দক্ষিণ এশিয়ার ভৌগোলিক প্রেক্ষাপট একসাথে পড়ে ভুল সংকেত তৈরি করেছে। ভাষা-নির্ভর বিনোদন ফিডে এই ধরনের ফলস-পজিটিভ একটি চেনা ব্যর্থতা।

এখানেই আসল শিক্ষা: সমস্যাটি মডেলের মধ্যে নয়, ইনজেশনের গেটে। একটি ডেটাসেটে কনটেন্ট ঢোকার আগে ন্যূনতম একটি টপিক-শর্ত পূরণ করা দরকার — যেমন, “ক্রিকেট” লেবেল বসানোর আগে অন্তত একটি স্বীকৃত ক্রিকেট-সত্তা থাকা বাধ্যতামূলক। আমি একে ডোমেইন-গেট বলি। গেট ছাড়া যা হয়, তা ঠিক এই — একটি মেরুন গাউন ক্রিকেট ডেটাসেটে বসে যায়, আর ডাউনস্ট্রিম মডেল সেটিকে সত্য বলে ধরে নেয়।

মডেলটা ছিল অমসৃণ, কিন্তু খালি ঘরগুলো গোলের চেয়ে বেশি ফিসফিস করেছে। এই সারিতে স্পষ্টতই তথ্য অনুপস্থিত — কিন্তু ভুলে যাওয়া যাবে না, অনুপস্থিতি আর সংকেত এক নয়। প্রশ্ন করতে হয়, তথ্যটি কে সংগ্রহ করেছে, আর কী উদ্দেশ্যে। একটি ফ্যাশন-পোস্টের “অনুপস্থিত ক্রিকেট ডেটা” কোনো গোপন ক্রিকেট-গল্প বলে না; সেটি শুধু বলে, কনটেন্টটি ক্রিকেটই নয়। এই পার্থক্যটা না ধরলে “মিসিং ডেটা” প্রেমে পড়ে আমরা প্রতিটি খালি ঘরেই গভীর অর্থ খুঁজতে শুরু করি — যেটা আমার নিজের সবচেয়ে বড় ফাঁদ।

দ্বিতীয় ঝুঁকিটি ভিন্ন। একজন বিনোদন-তারকা যদি একটি ক্রিকেট সত্তা-তালিকায় ঢুকে পড়েন, তবে সেই তালিকা দূষিত হয়ে যায় — আমি একে এনটিটি পলিউশন বলি। একবার ঢুকে গেলে সত্তা-ফ্রিকোয়েন্সি আর সেন্টিমেন্ট সংকেত দুটোই বাঁকা হয়ে যায়, আর তা ধরা পড়ে অনেক দেরিতে। শব্দহীনতা শূন্য নয়; সেটি একটি নতুন ভিত্তিরেখা, যার নিজস্ব অবশিষ্ট থাকে — এবং সেই অবশিষ্টই বলে দেয়, কোথায় আমাদের পাইপলাইন সীমা টানতে হবে।

তাই সমাধান দুটি স্তরে। প্রথমে ডোমেইন-গেট কঠোর করা, দ্বিতীয়ে বিনোদন আর খেলার জন্য আলাদা সত্তা-রেজিস্ট্রি রাখা। আর তৃতীয় একটি কাজ প্রায় কেউ করে না — মিসক্লাসিফিকেশন-হারকে পাইপলাইনের একটি স্থায়ী কেপিআই বানানো। যত দিন এই হার মাপা হবে না, তত দিন এই ধরনের ভুল নীরবে জমতে থাকবে, আর একদিন কোনো গুরুত্বপূর্ণ বিশ্লেষণকে ভুল দিকে টেনে নেবে।

একটি মডেল মঠের মতো: তুমি ভেতরে ঢোকো শব্দ এড়াতে, তারপর আরও পরিষ্কার শুনতে পাও। আজ এই সারিটি আমাকে সেটাই শোনাল — ক্রিকেটের শব্দ নয়, আমাদের নিজের সিস্টেমের নীরব ভুলের শব্দ। প্রশ্নটা এখন জরুরি: আমরা কি কনটেন্ট গুনতে শিখব, নাকি লেবেলের উপর ভরসা করে চলতে থাকব — যতক্ষণ না একটি গাউন আমাদের ডেটাসেটে ক্রিকেটার হয়ে বসে যায়?