ক্রিকেট ডেটাসেটে ঢুকে পড়া মেরুন গাউন: একটি ভুল লেবেল কীভাবে বিশ্লেষণের ভিত নাড়িয়ে দেয়

রাত সাড়ে এগারোটায় ডেটা ফিড স্ক্রল করছিলাম। যে লাইনটা আমাকে থামিয়ে দিল, সেটা কোনো স্কোরকার্ড নয় — দশটি ছবির একটি অ্যালবাম, প্রতিটির গায়ে সূচক বসানো: ১/১০, ৪/১০, ৭/১০। একটি মেরুন রঙের গাউন, গলায় হারের স্তর, চোখের পাতায় যত্ন করে করা কাজ। ক্যাপশনে মাত্র একটি বাক্য — "আগামীকাল ষষ্ঠী।" আর ঠিক তার মাথার উপরে বসানো ট্যাগ: cricket_asia।

গাউনের ভাঁজে কোনো ইনিংস নেই। হারের বিন্যাসে কোনো ওভার নেই, কোনো পাওয়ারপ্লে নেই, কোনো টস নেই, কোনো রিভিউ নেই। তবু রেকর্ডটা ক্রিকেট ডেটাসেটের ভেতরে ঢুকে বসে আছে, এবং যতদূর দেখা যাচ্ছে কেউ টের পায়নি। এটাই আমাকে দীর্ঘ সময় ধরে ভাবাচ্ছে। কারণ যে ফিডটা প্রতি সপ্তাহে হাজারো রেকর্ড জমা করে, স্কোর বানায়, র‍্যাঙ্কিং তৈরি করে, তার ভেতরে একটা ভুল লেবেল ঢুকে পড়লে ক্ষতিটা ওই একটি রেকর্ডে সীমাবদ্ধ থাকে না। ক্ষতিটা ছড়ায়, আর ছড়াতে ছড়াতে সেটি স্বাভাবিক তথ্য হয়ে দাঁড়ায়।

আমি ১৯৯৪ সালে আইসিসি ট্রফির বাংলাদেশ-কেনিয়া ম্যাচে রেডিও কমেন্টারি করছিলাম। সেদিন "লেবেল" মানে ছিল কন্ট্রোল রুম থেকে কানে আসা একজন প্রোডিউসারের গলা — "এই সেগমেন্টটা ওপেনার, পরেরটা ক্লোজার।" ভুল হলে সেই মানুষটার নাম ধরে অভিযোগ করা যেত, দরকারে পরদিন স্টুডিওতে বসিয়ে জবাব চাওয়া যেত। আজ লেবেল বসায় একটি ক্লাসিফায়ার মডেল, আর ভুল হলে দায়টা কারও নামে লেখা থাকে না। কেবল ডেটাসেটের ভেতরে একটা ভুল সত্য পাক খেতে থাকে, আর পরের মডেল সেটিকে প্রমাণ ভেবে এগিয়ে যায়।

স্পোর্টস কনটেন্ট পাইপলাইন সাধারণত চার ধাপে চলে। প্রথমে ইনজেশন — ফিড থেকে লেখা বা ছবি তুলে নেওয়া। তারপর ক্লাসিফিকেশন — কোন বিষয়, কোন অঞ্চল, কোন ধরন। এরপর এনটিটি এক্সট্রাকশন — কে, কোথায়, কখন। শেষে ইনডেক্সিং এবং ডাউনস্ট্রিম অ্যানালিটিক্স — সেন্টিমেন্ট, ট্রেন্ডিং তালিকা, পারফরম্যান্স মডেল, ফ্যান্টাসি সংক্রান্ত সংকেত। যে ধাপে আজ সমস্যাটা তৈরি হয়েছে, সেটি দ্বিতীয় ধাপ। এবং দ্বিতীয় ধাপে সাধারণত একটা ডোমেইন গেট থাকার কথা — অর্থাৎ বিষয়বস্তুকে ক্রিকেট ডেটাসেটে ঢোকানোর আগে ন্যূনতম শর্ত পূরণ হয়েছে কি না, তা যাচাই করা। সেই গেটটা এখানে কাজ করেনি, এবং সেটা কোনো আকস্মিক দুর্ঘটনা নয়, বরং পদ্ধতিগত ফাঁক।

প্রথম এবং সবচেয়ে স্পষ্ট পর্যবেক্ষণ: সোর্সে ক্রিকেটের ন্যূনতম শর্তগুলোর একটিও পূরণ হয়নি। একটি বৈধ ক্রিকেট রেকর্ড দাঁড়াতে যা যা দরকার — ফরম্যাট, ইনিংস, ফলাফল, খেলোয়াড়ের ভূমিকা, ভেন্যু, টস, আম্পায়ারিং বা রিভিউ — তার একটি ছোট বাক্যাংশও এখানে নেই। বরং যা আছে তা হলো ছবির ক্রমিক সূচক, গাউনের কাট, গয়নার বিন্যাস, মেকআপের ধরন, চুলের বাঁধন। এগুলো ফ্যাশন সম্পাদনার ভাষা। ক্রিকেট বিশ্লেষণের ভাষা সম্পূর্ণ আলাদা, এবং দুটো ভাষার অভিধান এক নয়। একটি শব্দ দুটো জায়গায় একই রকম শোনাতে পারে, কিন্তু তার অর্থভার ভিন্ন।

দ্বিতীয়ত, ভুলটির উৎস বিষয় নয়, ভাষা। "পুজো", "মহালয়া", "ষষ্ঠী", একটি বাংলা নাম, আর দক্ষিণ এশিয়ার ভৌগোলিক ইঙ্গিত — এই উপাদানগুলো একসঙ্গে এলে ক্লাসিফায়ারের কাছে বিষয়বস্তুটি হয়ে যায় "দক্ষিণ এশীয় সাংস্কৃতিক কনটেন্ট"। আর প্রশিক্ষণ ডেটায় দক্ষিণ এশিয়া শব্দটি যেহেতু বিপুল সংখ্যকবার ক্রিকেটের সঙ্গে জুড়ে আছে, মডেল ভৌগোলিক ঠিকানাকে বিষয়ের লেবেল ভেবে নেয়। উৎসবের শব্দভান্ডার এখানে ট্রিগারের কাজ করেছে — অর্থাৎ যেটা প্রেক্ষাপট, সেটাকেই বিষয় ধরে নেওয়া হয়েছে। এই ধরনের ভুলের বৈশিষ্ট্য হলো, এটি দেখতে খুব বিশ্বাসযোগ্য। স্কোর ০.৯-এর বেশি, তাই কেউ প্রশ্ন করে না।

তৃতীয়ত, এনটিটি দূষণ। একটি বিনোদন জগতের পরিচিত নাম ঢুকে পড়েছে এমন একটি সূচকে, যেখানে ক্রিকেটারদের নাম থাকার কথা। একটি রেকর্ডে এটা তেমন ক্ষতি করে না, এবং সেটাই বিপদ। কিন্তু এই ধরনের ভুল যদি নিয়মিত হয়, তাহলে নাম-ভিত্তিক ফ্রিকোয়েন্সি গণনা বিকৃত হতে শুরু করে। কে বেশি আলোচিত, কে কম, কে উত্থানে, কে অবনতিতে — সেই সংকেত নষ্ট হয়। আর সংকেত নষ্ট হলে ভবিষ্যদ্বাণীও নষ্ট হয়, কারণ ভবিষ্যদ্বাণী সংকেতের উপরেই দাঁড়িয়ে থাকে।

চতুর্থত, সবচেয়ে বড় ক্ষতিটা ডাউনস্ট্রিমে। সেন্টিমেন্ট মডেল, ট্রেন্ডিং তালিকা, ফ্যান্টাসি সংক্রান্ত সংকেত, এমনকি সম্প্রচার পরিকল্পনা — সবই সেই একই ফিড থেকে খায়। একটি ভুল রেকর্ড সেখানে ঢুকে পড়লে সেটি আর "একটি ভুল" থাকে না; সেটি একটি বৈধ তথ্য হিসেবেই পরের ধাপে চলে যায়। আমি ২০১৮ সালের ৩ জুলাই মস্কোতে ইংল্যান্ড-কলম্বিয়ার ম্যাচে টাইব্রেকার ধরছিলাম। স্কোর ৪-৩, আর আমি সেদিন বুঝেছিলাম — বড় মুহূর্তে একটি মানুষের ছোট বিবরণই পুরো অংশটাকে বহন করে। ডেটাতেও ঠিক একই কথা: একটি ভুল এনটিটি পুরো সংকেতকে বহন করে নিয়ে যায় ভুল জায়গায়, এবং কেউ টের পায় না, কারণ গন্তব্যটা দেখতে ঠিকই লাগে।

পঞ্চমত, সময়ের হিসাবটাই সবচেয়ে বড় ফাঁদ। সোর্সের সময়চিহ্নগুলো — মহালয়া, ষষ্ঠী, পুজো — একটি উৎসব-পঞ্জিকার তারিখ, খেলার সূচির নয়। অথচ ডাউনস্ট্রিম মডেল সময়কে প্রায়ই মরসুমের সঙ্গে মিলিয়ে পড়ে। ফলে একটি ফ্যাশন রেকর্ড উৎসব-মরসুমের ক্রিকেট সংকেতে মিশে যেতে পারে, এবং কেউ ধরতে পারবে না, কারণ তারিখটা সঠিক দেখায়। সময় সঠিক, বিষয় ভুল — এই সমন্বয়টাই সবচেয়ে ধোঁকাবাজ।

এখানেই আসে অস্বস্তিকর অংশটা। আমাদের সহজাত প্রবৃত্তি বলে — সমস্যা মেটাতে আরও ডেটা দরকার, আরও শব্দ যোগ করি, আরও কীওয়ার্ড শিখিয়ে দিই, আরও নিয়ম লিখি। কিন্তু এই ক্ষেত্রে সমাধান যোগ নয়, বিয়োগ। ক্রিকেট ডেটাসেটে ঢোকার আগে ন্যূনতম একটি ক্রিকেট এনটিটি থাকা বাধ্যতামূলক করা হোক — একটি খেলোয়াড়ের নাম, একটি দলের নাম, একটি ফরম্যাট, একটি ভেন্যু, একটি ম্যাচের সূচক। এই শর্ত পূরণ না হলে লেবেল বসবে না, যত উচ্চ আত্মবিশ্বাসই দেখাক মডেল। ফাঁসির চেয়ে দরজা বন্ধ রাখা ভালো।

দ্বিতীয় অস্বস্তিকর অংশ: আমরা সম্পাদকের পদটা রেখেছি, কিন্তু সম্পাদকের বিচারবোধটা সরিয়ে দিয়েছি। এখন একটি কীওয়ার্ড স্কোর সেই লেবেলে সই করে, আর কেউ জবাবদিহি করে না। ফলাফল — বিষয়বস্তু এবং শ্রেণির মধ্যে একটা ফাঁক, যেটা প্রতিটি পরবর্তী ধাপে আরও চওড়া হয়। কেউ যদি জিজ্ঞেস করে, "এই ট্যাগটা কে দিল?" — উত্তর থাকে না। উত্তর না থাকা মানে দায় না থাকা, আর দায় না থাকা মানে সংশোধনের সুযোগও না থাকা।

তবু এই রেকর্ডটা ফেলে দেওয়ার মতো নয়। কপে আমি শিখেছিলাম, ফিরে আসা মানে স্মৃতির এক ধরনের পুনরাবৃত্তি — একই ভুলে ফিরে না আসাই আসল ফেরা। একটি ভুল লেবেলকে কেউ যদি সংরক্ষণ করে রাখে, সেটি হয়ে ওঠে ক্যানারি — খনি শ্রমিকের খাঁচায় বসানো পাখিটা, যে আগে অসুস্থ হয়। ভবিষ্যতে মডেল বদলালে, ফিল্টার বদলালে, ঠিক এই রেকর্ডটাই প্রমাণ দেবে কোথায় ব্যর্থতা লুকিয়ে ছিল। অর্থাৎ বর্জন আর সংরক্ষণ, দুটোই দরকার — কেবল ভিন্ন জায়গায়। বর্জন ডেটাসেট থেকে, সংরক্ষণ অডিট আর্কাইভে।

প্রশ্নটা এখন এই: লেবেলের নিচে যদি একটা নাম বসত, আর পাশে একটা তারিখ, আর তার পাশে সংস্করণের নম্বর — তাহলে আমরা কি ডেটাসেটকে বেশি বিশ্বাস করতাম, নাকি কম? এবং সেই বিশ্বাসের দাম দিতে আমরা আদৌ রাজি কি না?