খালি ইনপুট, নিখুঁত টেমপ্লেট: ক্রিকেট ডেটা পাইপলাইনের নীরব ব্যর্থতা

রংপুরের সকাল। টেবিলে চা ঠান্ডা হয়ে আসছে, স্ক্রিনে চলছে একটি স্বয়ংক্রিয় বিশ্লেষণ পাইপলাইন। কাজ দুই ধাপে। প্রথম ধাপে একটি নিবন্ধ থেকে তথ্য টেনে বের করতে হবে, দ্বিতীয় ধাপে সেই তথ্য দিয়ে গভীর বিশ্লেষণ। কয়েক সেকেন্ড পর আউটপুট এল। শিরোনামের ঘরে লেখা “প্রযোজ্য নয়”, সূত্রের ঘরে “শ্রেণিবদ্ধ নয়”, লেখকের অবস্থানও “শ্রেণিবদ্ধ নয়”। তথ্য-বিন্দুর তালিকা সম্পূর্ণ খালি।

অথচ কাঠামো নিখুঁত। আটটি বিশ্লেষণ-মাত্রা, প্রতিটির অধীনে টেবিল, প্রতিটি ঘর পূরণ করা, আর প্রতিটি ঘরে একই বাক্য — অপর্যাপ্ত তথ্য, মূল্যায়ন করা সম্ভব নয়। পূরণ হওয়া ঘর মাত্র একটি: ডোমেইন-লেবেল, ক্রিকেট_এশিয়া।

নয় বছর ধরে ক্রিকেটের সংখ্যা নিয়ে লেখার পর আমার অভিজ্ঞতা বলছে, এটিই আমার দেখা সবচেয়ে বিপজ্জনক রিপোর্ট। বিপজ্জনক রিপোর্ট মানে ভুল রিপোর্ট নয়। বিপজ্জনক রিপোর্ট হলো সেটি, যার কাঠামো এত পরিচ্ছন্ন যে কেউ টের পায় না ভেতরে কিছু নেই।

আধুনিক ক্রিকেট বিশ্লেষণ সাধারণত দুই স্তরে চলে। প্রথম স্তর একটি নিবন্ধ বা ট্রান্সক্রিপ্ট পড়ে সেখান থেকে পারমাণবিক তথ্য আলাদা করে — কোন দল, কোন খেলোয়াড়, কোন মাঠ, কোন তারিখ, কোন স্কোর। এই টুকরোগুলোকে বলা হয় তথ্য-বিন্দু। দ্বিতীয় স্তর সেই তথ্য-বিন্দুগুলোকে আটটি মাত্রায় সাজিয়ে অর্থ বের করে: ফরম্যাট, খেলোয়াড়ের কারিগরি, দলের অবস্থান, লিগ ও বাণিজ্য, নিয়ম ও শাসন, ঝুঁকি, জন-আখ্যান এবং শিল্প-প্রবাহ।

প্রথম স্তর যদি খালি ফেরে, দ্বিতীয় স্তর যা-ই লিখুক, সেটি বিশ্লেষণ নয় — সেটি সাজসজ্জা।

এই শিক্ষাটা আমি অন্য জায়গা থেকে পেয়েছি। ২০১৮ সালে আমি আমার প্রথম এক্সজি টেমপ্লেট বানিয়েছিলাম, তারপর তার পরিচ্ছন্ন কিনারাগুলোকে অবিশ্বাস করতে শিখেছি। সেবার ফ্রান্স-আর্জেন্টিনার ম্যাচটি দেখে মনে হয়েছিল চোখ আমাকে ঠকাচ্ছে, তাই এক্সজি, পিপিডিএ আর দৌড়ের দূরত্বের একটি হিসাব-চিত্র দাঁড় করালাম। ফল এল ১.৮ বনাম ২.১ — আর্জেন্টিনার প্রেস ভাঙা ছিল, ভাগ্য খারাপ ছিল না। সেই থ্রেডে পাঁচশো রিটুইট আর বারোটি রাগী উত্তর এল, একটিতে লেখা ছিল হিসাব-করা মেয়ে। আমি উত্তর দিইনি, কলামগুলো মানক করে নিলাম। পরিচ্ছন্ন কিনারা সবসময় সত্য নয়; অনেক সময় তার মানে আমি ভুল প্রশ্ন করেছি।

২০২০ সালে কথাটা আরও স্পষ্ট হলো। বিরতির পর বুন্দেসলিগা ফিরল খালি গ্যালারিতে, আর আমি প্রথম পাঁচ রাউন্ডের ডেটা নিয়ে বসলাম। ঘরের দলের জয়ের হার ৪৩.৩ শতাংশ থেকে নামল ৩৩.৩ শতাংশে, ঘরের দলের গড় এক্সজি কমল ০.২৪। দল-শক্তি নিয়ন্ত্রণ করে রিগ্রেশন চালিয়ে লেখাটি প্রকাশ করলাম। ২০২০ সালের খালি গ্যালারি হোম-অ্যাডভান্টেজকে একটি প্রাকৃতিক পরীক্ষায় পরিণত করেছিল, এবং গ্যালারির নীরবতা হোম-অ্যাডভান্টেজ মুছে দেয়নি — সেটিকে ভাগ করে দিয়েছিল।

এই ভাগ করার অভ্যাসটাই আজ সবচেয়ে জরুরি। একটা খালি ইনপুট নিরপেক্ষ ইনপুট নয়। খালি ইনপুট নিজেই একটি তথ্য, কারণ সেটি বলে দেয় ফুটোটা কোথায়।

দক্ষিণ এশিয়ার ক্রিকেট কভারেজে মেশিন-পাঠযোগ্য টেক্সট পাওয়া কত কঠিন, সেটা যারা কাজ করেন তারা জানেন। প্রতিবেদনের বড় অংশ থাকে ভিডিও ফাইল, অডিও ক্লিপ, ছবি-কার্ড আর স্ক্রিনশটে; বাকিটা বাংলা গদ্যে মেশানো বানান-বহুল নাম। একই বোলারের নাম একই দিনে চার রকম লেখা হয় — দুই বানানে, একবার ডাকনামে, একবার শুধু পদবিতে। ধরে নিন আপনার এক্সট্র্যাক্টর এই চারটি লেখাকে চারজন আলাদা বোলার হিসেবে পড়ল। এখন আপনার ডেটাবেসে একজন নয়, চারজন বোলার আছেন, এবং কেউ কোনো এরর মেসেজ দেখেনি।

বানান-বিভেদ মেট্রিকের সমস্যা নয়, সত্তা-বিভ্রাট। আর সত্তা-বিভ্রাট এমন ত্রুটি, যা কখনো নিজের নাম বলে না।

কাতার বিশ্বকাপে একটি স্পোর্টস মিডিয়া স্টার্টআপের হয়ে কাজ করার সময় এটা আরও পরিষ্কার হলো। মরক্কো সেমিফাইনালে পৌঁছাল, আমাদের একজন সিনিয়র বিশ্লেষক ওদের রক্ষণকে বললেন খাঁটি বাস-পার্কিং। আমি পিপিডিএ বের করলাম: গ্রুপ পর্বে মরক্কো প্রতি ম্যাচে মাত্র ০.৮ এক্সজি ছাড়ছিল, আর চাপ দিচ্ছিল বাছাই করা ট্রিগারে। সংখ্যাগুলো দৈনিক কলে দেখালাম; উনি সরিয়ে দিলেন, সম্পাদক চার্টটি ব্যবহার করলেন। পর্তুগালের বিপক্ষে ১-০ জয়টি মডেলকে সমর্থন করল। এই অভিজ্ঞতা দুটো বিপরীত শিক্ষা দিল। এক, সংখ্যা অলস আখ্যান ভাঙতে পারে। দুই, সংখ্যা নিজেই একটি আখ্যান, এবং তার নিজের ফুটো থাকতে পারে।

খালি ইনপুটের সামনে বিশ্লেষকের হাতে থাকে একটিমাত্র চিহ্ন: ডোমেইন-লেবেল, ক্রিকেট_এশিয়া। লোভ হলো এই লেবেল থেকে দল, খেলোয়াড়, ম্যাচ অনুমান করে ফেলা। কিন্তু লেবেল একটি রুটিং সংকেত, প্রমাণ নয়। একটি লেবেল থেকে একটি দল অনুমান করা মানে একটি মিথ্যা বানানো; সেই দল থেকে একটি ম্যাচ, সেই ম্যাচ থেকে একটি ফলাফল — এক ধাপ অনুমান পাঁচ ধাপ দাবিতে পরিণত হয়, আর শেষে একটি শিরোনাম তৈরি হয়ে যায়।

এখানেই তথ্যের চেইন-অফ-কাস্টডি প্রশ্নটি আসে। ক্রিকেট এমন একটি খেলা, যার রেকর্ড-ব্যবস্থা শুরু থেকেই একটি খোলা খাতা। একটি স্ট্রোককার্ড হলো বল-ধরে-বল ঘটনার ধারাবাহিক তালিকা — সময়, বোলার, ব্যাটার, রান — আর শেষে দুই স্কোরারের সম্মতি। এটি একধরনের বিতরণকৃত ঐকমত্যের নথি, যা মানুষ এক শতাব্দীর বেশি ধরে চালাচ্ছে।

আধুনিক ডেটা-ব্যবস্থায় সেই ধারণাটি নতুন রূপে ফিরছে, আর এখানেই ক্রিকেটের সঙ্গে ব্লকচেইন-ধারণার মিলটা লুকিয়ে আছে। ব্লকচেইনের আসল দাবি মুদ্রা নয়, অডিটযোগ্যতা — এমন একটি খাতা, যা নীরবে পুনর্লিখন করা যায় না। প্রতিটি এক্সট্র্যাকশন-ধাপের একটি হ্যাশ তৈরি করে সময়-ছাপ দিয়ে শুধু-সংযোজনযোগ্য লগে জুড়ে দিলে প্রশ্নটা বদলে যায়। প্রশ্নটি আর থাকে না পাইপলাইন কী বলল; প্রশ্নটি হয় সোর্স নথিটি আদৌ ঢুকেছিল কি, কখন ঢুকেছিল, আর ঢোকার মুহূর্তে তার ভেতরে কী ছিল।

আজ আমাদের সমস্যা মডেলের ভুল নয়, প্রমাণের অনুপস্থিতি।

এই ধারণা কোনো জাদু-সমাধান নয়, সেটা স্পষ্ট করে বলা দরকার। প্রতিটি ধাপে হ্যাশ করার খরচ আছে, বিলম্ব আছে, আর সবচেয়ে বড় প্রশ্নটি শাসন-সংক্রান্ত: নোড কে চালাবে, কে ব্লকে সই করবে, আর ভুল ধরা পড়লে সংশোধন কীভাবে হবে। ক্রিকেট বোর্ডগুলো এখনো স্ট্রোককার্ডের দ্বিতীয় স্কোরার খুঁজে পেতে হিমশিম খায়; সেখানে বিতরণকৃত খাতার কথা বলা মানে বাস্তবতা এড়িয়ে যাওয়া।

আর সবচেয়ে জরুরি সীমাবদ্ধতা হলো, অপরিবর্তনীয়তা ভুলের ক্ষেত্রে দায়, সুবিধা নয়। খারাপ এক্সট্র্যাকশনের একটি স্থায়ী খাতা মানে স্থায়ী খারাপ এক্সট্র্যাকশন। তাই সংশোধনকে ডিজাইনে রাখতে হয় — মুছে ফেলা নয়, বরং সংস্করণ-যুক্ত সংযোজন, যেখানে প্রতিটি সংশোধনও একটি নতুন, স্বাক্ষরিত ঘটনা।

এবার নীরবতা নিয়ে। একটি পাইপলাইন যদি ক্র্যাশ করে, সেটি ভালো পাইপলাইন, কারণ ক্র্যাশ একটি বার্তা। বিপজ্জনক পাইপলাইন হলো সেটি, যা ক্র্যাশ করে না, বরং সুন্দর বিন্যাসে খালি নথি ফেরত দেয়।

নীরব ব্যর্থতা শব্দহীন ব্যর্থতা নয়; নীরব ব্যর্থতা হলো এমন ব্যর্থতা, যা নিজেকে সাফল্যের মতো সাজায়।

২০২০ সালের পাঠটি এখানে ফিরে আসে। খালি গ্যালারি যখন হোম-অ্যাডভান্টেজকে টুকরো করল, তখন বোঝা গেল প্রভাবটা একটিমাত্র জিনিস নয় — মাঠ ও পরিবেশ, আম্পায়ারের সিদ্ধান্ত-পক্ষপাত, টস ও সূচি, ভ্রমণ ও পরিচিতি। ঠিক তেমনি একটি খালি ইনপুট পাইপলাইনের স্তরগুলোকে আলাদা করে দেয়। তথ্য না এলে বোঝা যায় সমস্যাটা উৎসে, না পার্সিংয়ে, না সত্তা-নিষ্কাশনে, না মানককরণে। গ্যালারির নীরবতা হোম-অ্যাডভান্টেজ মুছে দেয়নি, সেটিকে ভাগ করে দিয়েছিল; পাইপলাইনের নীরবতাও তথ্য মুছে দেয় না, সেটি দায় ভাগ করে দেয়।

স্থানান্তর-বাজারের গুজব যাচাইয়েও ঠিক এই শৃঙ্খলা লাগে। একটি দাবি তখনই গ্রহণযোগ্য, যখন তার সঙ্গে থাকে একটি সূত্র, একটি তারিখ, আর একটি চুক্তি-বিবরণ — মুক্তিপণ-ধারা, মজুরি-কাঠামো, চুক্তির অবশিষ্ট সময়। এই তিনটি না থাকলে দাবিটা গুজব নয়, দাবিটা খালি ইনপুট। আর খালি ইনপুট থেকে বানানো ভবিষ্যদ্বাণী শুধু ভুল নয়, ক্ষতিকর, কারণ সেটি বাজারের আস্থাকে খরচ করে।

খবরের কক্ষে খালি টেমপ্লেটের দাম সবচেয়ে বেশি। একটি ভরা টেবিল দেখতে বিশ্বাসযোগ্য লাগে, আর বিশ্বাসযোগ্যতা সম্পাদকের সময় বাঁচায়। কিন্তু একটি টেবিল যত ভালোভাবে বিন্যস্ত, তত বেশি সে একটাই প্রশ্ন এড়িয়ে যায় — উৎস কোথায়। আমার অভিজ্ঞতায় ডেটা-সাক্ষরতার প্রথম ধাপ মডেল শেখা নয়, বরং শূন্য চেনা।

এখন সবচেয়ে শক্ত পাল্টা-যুক্তিটা নিজের বিরুদ্ধে দাঁড় করানো যাক, কারণ যে অবস্থান আগে গড়ে তোলা হয় না, সেটি মাপাও যায় না।

প্রথম যুক্তি: হয়তো পাইপলাইন ব্যর্থ হয়নি, সে ঠিক কাজ করেছে। হয়তো সোর্স নিবন্ধটি সত্যিই নিষ্কাশনযোগ্য ছিল না — একটি পেওয়াল, একটি ছবি-ভিত্তিক পৃষ্ঠা, একটি কেবল-ভিডিওর স্ক্রিপ্ট। সেক্ষেত্রে অপর্যাপ্ত তথ্য লেখাটাই ছিল সৎ উত্তর, আর সততা এখানে দুর্বলতা নয়।

দ্বিতীয় যুক্তি: চোখের পরীক্ষা এখানে ভালো করেছে, এবং সেটি স্বীকার করা উচিত। ঢাকার একজন ডেস্ক-সম্পাদক কাঁচা পৃষ্ঠাটি একবার দেখলেই বলতেন, এটা তো ছবির ক্যাপশন, নিবন্ধ নয়। স্থূল ভুল ধরার ক্ষেত্রে মানুষের চোখের হিট-রেট উচ্চ, এবং নইলে আমরা প্রমাণের পক্ষে না দাঁড়িয়ে কেবল মেশিনের পক্ষে দাঁড়াব।

তৃতীয় যুক্তি: ব্লকচেইন-সমাধান নিয়ে আমার সন্দেহ আংশিক সঠিক, আংশিক অতিরঞ্জিত। সঠিক দিকটি খরচ ও শাসন; অতিরঞ্জিত দিকটি হলো, অডিটযোগ্যতার প্রয়োজনটা সত্যিই আছে, তবে সেটি ব্লকচেইন ছাড়াও পাওয়া যায় — একটি স্বাক্ষরিত, শুধু-সংযোজনযোগ্য লগ দিয়েই।

তাহলে আসল ব্যর্থতা কোথায়? পাইপলাইনে নয়, আমাদের চাহিদায়। আমরা হর না পেয়েই ফলাফল চেয়েছি, আর এমন একটি টেমপ্লেট বানিয়েছি যা কখনো খালি দেখায় না — তারপর সেই কাঠামোর সম্পূর্ণতাকে প্রমাণ বলে ভুল করেছি।

সামনে দুটো জিনিস দেখার আছে। প্রথমত, যে মেট্রিকটি এখন ট্র্যাক করা উচিত সেটি নির্ভুলতা নয়, বরং নাল-রেট — একটি পাইপলাইন কত শতাংশ ইনপুট গ্রহণ করতে অস্বীকার করছে। দ্বিতীয়ত, প্রতিটি দাবির সঙ্গে এন ও আস্থা-ব্যবধান ছাপা উচিত, ডিফল্ট হিসেবে।

পরের রাউন্ডের সংকেত স্পষ্ট। একই সোর্সে আবার এক্সট্র্যাকশন চালালে সবার আগে হ্যাশ মেলাতে হবে। হ্যাশ অপরিবর্তিত থেকে আউটপুট বদলে গেলে বোঝা যাবে, দুনিয়া বদলায়নি — আমাদের মডেল বদলেছে।

প্রশ্নটা রয়ে যায়: সৎ উত্তর যখন শিরোনামের আগেই চলে আসে, তখন আমরা সেটিকে ব্যর্থতা বলে থামিয়ে দিই, নাকি সংকেত বলে পড়তে শিখি?