ভুল লেবেলের অদৃশ্য চেইন: যে দুর্ঘটনা-প্রতিবেদন ফুটবলের ডেটাসেটে ঢুকে পড়েছিল

কিলোমিটার ৪৬। মেক্সিকো-পুয়েব্লা হাইওয়ে। বেলা প্রায় ২টা ৪৫ মিনিটে একটি সিমেন্টবোঝাই ট্র্যাক্টর-ট্রেইলার ঢালু বাঁক পেরোনোর সময় নিয়ন্ত্রণ হারায়, উল্টে যায়, আর ছয়টি বেসরকারি গাড়ি তার সঙ্গে জড়িয়ে পড়ে। প্রাথমিক হিসাবে দুজন নিহত, তিনজন আহত। ফেটে যাওয়া বস্তার সিমেন্ট প্রায় দুইশো মিটার আসফাল্টে ছড়িয়ে পড়ে, কন্টেনমেন্ট ব্যারিয়ারের একটি অংশ ক্ষতিগ্রস্ত হয়। ক্যাপুফের প্যারামেডিকরা তিনজনকে ঘটনাস্থলেই চিকিৎসা দেন, কাউকে হাসপাতালে নেওয়া হয়নি; উদ্ধারকর্মীরা ভারী ইউনিটটি সরিয়ে আসফাল্ট পরিষ্কার করেন এবং গতি কমানোর নির্দেশনা দেন।

ঘটনাটি সড়ক-নিরাপত্তার খবর। এতে কোনো ক্লাব নেই, খেলোয়াড় নেই, কোচ নেই, প্রতিযোগিতা নেই, ট্রান্সফার নেই, ট্যাকটিক্যাল সিস্টেম নেই। তবু ingest পাইপলাইনে এই প্রতিবেদনের ডোমেইন-লেবেল ঘরে বসে গিয়েছিল একটি শব্দ — football।

লেবেলটা বসার সঙ্গে সঙ্গে ঘটনাটি ফুটবল-বিশ্লেষণের বিষয় হয়ে ওঠে না; বিষয় হয়ে ওঠে ডেটা-সততার। এই প্রতিবেদনের সবচেয়ে গুরুত্বপূর্ণ সংখ্যা শূন্য। নয়টি বিশ্লেষণ-মাত্রার প্রতিটিতে ফলাফল শূন্য। সেটি ব্যর্থতা নয়, সেটি একটি ফলাফল — একটি নাল-ফলাফল।

আমি ২৭ বছর ধরে স্কোরবোর্ড আর স্প্রেডশিটের ভেতরে বড় হয়েছি; আমার কাছে যাচাই মানে সন্দেহ নয়, পদ্ধতি। ২০১৭ সালে চট্টগ্রামে পোর্ট সিটি ডেটায় বসে আমি আবাহনী লিমিটেড ঢাকা বনাম শেখ রাসেল ক্রীড়া চক্রের জন্য একটি আদর্শ xG ও PPDA মডেল দাঁড় করাই। ১৪টি শট, আবাহনীর ২.৩ xG, শেখ রাসেলের ১.৭, PPDA ৮.৭ বনাম ১১.২। মডেল ১-১ ড্র বলেছিল; ম্যাচ ১-১-ই শেষ হয়। এরপর আমি প্রতিটি রিপোর্টারকে পোস্ট-ম্যাচ ডেটা শিট ফাইল করতে বাধ্য করি। কারণটা সরল — ইনপুট যাচাই না থাকলে সংখ্যাগুলো কেবল আত্মবিশ্বাসের ভঙ্গি তৈরি করে।

২০১৮ রাশিয়া বিশ্বকাপে ক্রোয়েশিয়া বনাম ইংল্যান্ড সেমিফাইনালে আমি লাইভ xG ড্যাশবোর্ড চালাই: ক্রোয়েশিয়া ১.৪, ইংল্যান্ড ০.৮; লুকা মোড্রিচ ১২.৮ কিলোমিটার দৌড়ে ৬৭টি পাস সম্পূর্ণ করেন, শেষ পর্যায়ের প্রেসিংয়ে ইংল্যান্ডের PPDA নেমে আসে ১২.৯-এ; ক্রোয়েশিয়া ২-১ জেতে। সেখান থেকেই ১৫ মিনিটের পোস্ট-ম্যাচ ডেটা টেমপ্লেটটি দাঁড়ায়। টেমপ্লেটের আসল শক্তি ইনপুট যাচাইয়ে; টেমপ্লেট ভুল ইনপুটে চালালে ফলাফল আরও বিপজ্জনক হয়, কারণ ভুলটা তখন নিয়মিত, পুনরুৎপাদনযোগ্য ও বিশ্বাসযোগ্য দেখায়।

এই নিবন্ধের উৎস উপাদানটি সেই নয়-মাত্রার ফ্রেমওয়ার্কে ফেললে যা পাওয়া যায়, তা একটি পরিষ্কার নাল-ফলাফল। ট্যাকটিক্যাল বিশ্লেষণ, ক্লাব অর্থ ও ট্রান্সফার, ফলাফল ও জনমত-চক্র, লিগ ল্যান্ডস্কেপ, নিয়ম-শাসন, ম্যানেজমেন্ট, ঝুঁকি প্রোফাইল, মিডিয়া ন্যারেটিভ, শিল্প-ট্রান্সমিশন — নয়টিতেই উত্তর একই: তথ্য অপর্যাপ্ত। ভৌগোলিক নামগুলো পুয়েব্লা, মেক্সিকো রাজ্য, মেক্সিকো সিটি, ভেরাক্রুজ — এগুলো পরিবহন-করিডোরের উল্লেখ, ফুটবল-বাজারের নয়। এখানে একমাত্র বাস্তব প্রতিষ্ঠান ক্যাপুফে, অর্থাৎ Caminos y Puentes Federales, মেক্সিকোর ফেডারেল টোল-সড়ক ও সেতু পরিচালনা সংস্থা।

ভুলটা ঠিক কোথায় ঘটল, সেটা অনুমানসাপেক্ষ কিন্তু ব্যাখ্যাযোগ্য। পুয়েব্লা একটি রাজ্যের নাম, আর একই সঙ্গে একটি লিগা এমএক্স ক্লাবের নাম; ভেরাক্রুজও তেমনি। শব্দ বা URL-ভিত্তিক ক্রলার ভৌগোলিক টোকেন মিলিয়ে আইটেমটিকে ফুটবল ফিডে পাঠিয়ে দিতে পারে — অথচ টেক্সটে একটি ক্লাব, খেলোয়াড় বা প্রতিযোগিতার নামও নেই। এনটিটি-ম্যাচিং যেখানে প্রসঙ্গ যাচাই না করে টোকেন মেলায়, সেখানে ভূগোল আর ফুটবল আলাদা থাকে না।

সোর্সিং দ্বিমুখী। ছোট একটি অফিসিয়াল কোর — ক্যাপুফের বক্তব্য, যা নির্দিষ্ট করে উদ্ধৃত করা যায় — আর তার চারপাশে বড় একটি অসূত্রিত খোলস, যেখানে বেশিরভাগ তথ্যবিন্দুর পাশে সূত্র হিসেবে লেখা 'কোনোটি নেই'। সবচেয়ে নাটকীয় দাবিটি — ব্রেক ফেইলিওর — সবচেয়ে কম সূত্রযুক্ত; ন্যারেটিভের উজ্জ্বলতা আর প্রমাণের ওজনের মধ্যে উল্টো সম্পর্ক এখানে স্পষ্ট। প্রতিবেদন নিজেই বলছে, যান্ত্রিক ত্রুটি, গতি, নাকি অন্য কারণ — তা নির্ধারণে বিশেষজ্ঞ মূল্যায়ন প্রয়োজন।

হতাহতের সংখ্যাও প্রাথমিক, কারণ মেক্সিকোর সড়ক-দুর্ঘটনার হিসেব নিয়মিত সংশোধিত হয়; তাই ২ নিহত ও ৩ আহত — এই সংখ্যাগুলো চূড়ান্ত হিসেবে কোথাও পুনরুল্লেখ করা উচিত নয়। একটি তারিখ-সংকেতও আছে: টাইমস্ট্যাম্প সোমবার, ১৯ অক্টোবর ২০২৬, দিনের হিসাবে সামঞ্জস্যপূর্ণ, কিন্তু ভবিষ্যতের তারিখ।

এখন আসল জায়গায় আসি। সমস্যাটা বিষয়বস্তুতে ছিল না; বিষয়বস্তু সঠিক ছিল। সমস্যাটা ছিল মেটাডেটায়। আর মেটাডেটাই সেই স্তর, যা কনটেন্ট ব্যবস্থাপনা সিস্টেমে সবচেয়ে নিঃশব্দে ওভাররাইট হয়। কেউ ভুলটা দেখে না, কারণ ভুলটা টেক্সটে নেই; ভুলটা ঘরের নামের পাশে ছোট করে লেখা একটি শব্দে।

ব্লকচেইনের এখানে যে ভূমিকাটি বাস্তব, তা হলো কনটেন্ট প্রোভেন্যান্স। প্রতিটি ingest রেকর্ডের জন্য পাঁচটি জিনিস অপরিবর্তনীয়ভাবে লেখা যায়: মূল উৎস টেক্সটের ক্রিপ্টোগ্রাফিক হ্যাশ; ingest টাইমস্ট্যাম্প (UTC); ক্রলারের সংস্করণ ও ফিড আইডি; শ্রেণিবিন্যাসকারী মডেলের সংস্করণ এবং তার কনফিডেন্স স্কোর; এবং রিভিউয়ারের পরিচয় অথবা অটো-কোয়ারেন্টিন ফ্ল্যাগ। এই পাঁচটি ঘর ভরা থাকলে প্রশ্নটির উত্তর কখনো হারায় না: কে, কখন, কোন ক্রলার সংস্করণে, কী আত্মবিশ্বাসে লেবেলটি বসিয়েছে। এখন উত্তরটি হারায়, কারণ লেবেল কেবল একটি বর্তমান অবস্থা — ইতিহাস নয়।

দূষণটা কোথায় ক্ষতি করে, সেটা নির্দিষ্ট করা দরকার। একটি ভুল-শ্রেণিবদ্ধ আইটেম ফুটবল সেন্টিমেন্ট সূচকে ঢুকলে পুয়েব্লা নামের এনটিটি-নোডের ওজন কৃত্রিমভাবে বাড়ে; এনটিটি গ্রাফে ভূগোল আর ক্লাব একই নোডে মিশে যায়; আর ট্রাভেল-লজিস্টিক্স মডেলে করিডোর-বন্ধের একটি ভুয়া সংকেত ঢোকে। তিনটিই ছোট ত্রুটি, কিন্তু তিনটিই পুনরাবৃত্ত হয়।

নাল-ফলাফলটিও লগ করতে হয়। পাইপলাইনের উচিত 'এখানে কোনো ফুটবল সংকেত নেই' — এটিকে প্রথম শ্রেণির আউটপুট হিসেবে সংরক্ষণ করা, যাতে পরে অডিটে প্রমাণ থাকে যে আইটেমটি পরীক্ষা করা হয়েছিল। যে সিস্টেম নাল-ফলাফল মুছে ফেলে, সে সিস্টেম ভবিষ্যতে প্রমাণ করতে পারে না সে কখনো দেখেনি।

খরচের বাস্তবতা আছে, আর আমি সেটা লুকাবো না। প্রতিটি প্রতিবেদনের হ্যাশ আলাদা লেনদেনে চেইনে লেখা অপ্রয়োজনীয় ব্যয়। ব্যবহারিক কাঠামো হলো অফ-চেইনে একটি Merkle গাছ, আর প্রতি ব্যাচে একটিমাত্র on-chain অ্যাকর; ব্যাচিংয়ের ব্যবধান আমি ১৫ মিনিটে রাখি, ২০১৮-র লাইভ xG টেমপ্লেটের সঙ্গে মিলিয়ে। এতে ফাইনালিটি-ল্যাটেন্সি ব্রেকিং নিউজের ছন্দের সঙ্গে সহনীয় থাকে।

থ্রেশহোল্ডের প্রশ্নে সৎ থাকি। এখানে যে কাটঅফ দাঁড় করানো যায়, তা বিজ্ঞান নয়, নীতি: যদি শ্রেণিবিন্যাসকারীর ফুটবল-কনফিডেন্স ০.৬০-এর নিচে থাকে এবং টেক্সট থেকে কোনো ফুটবল সত্তা — ক্লাব, খেলোয়াড়, প্রতিযোগিতা — না পাওয়া যায়, তবে আইটেমটি সরাসরি ফুটবল কর্পাসে ঢুকবে না, কোয়ারেন্টিন কিউতে যাবে। এই সংখ্যাটি ধ্রুবক নয়, সিদ্ধান্ত; এর দুই দিকেরই মূল্য আছে।

সংবেদনশীলতা না দেখালে থ্রেশহোল্ড কেবল কর্তৃত্ব হয়ে দাঁড়ায়। কাটঅফ ০.৭৫-এ তুললে বেশি দূষণ ধরা পড়ে, কিন্তু বৈধ প্রান্তিক আইটেমও বেশি করে ম্যানুয়াল রিভিউয়ে যায়; ০.৪৫-এ নামালে বিশ্লেষকের লোড কমে, কিন্তু আবর্জনা ঢোকার পথ প্রশস্ত হয়। কোনটি বেছে নেবেন, তা নির্ভর করে কর্পাসটি কতটা ব্যয়বহুলভাবে দূষিত হতে পারে তার ওপর — একক সংবাদ আইটেমের জন্য সহনীয়, মডেল প্রশিক্ষণের ডেটাসেটের জন্য নয়।

নিয়ন্ত্রণ-স্তরটিও চেইনে রাখা দরকার। শ্রেণিবিন্যাসকারী মডেলের সংস্করণ পরিবর্তন হলে লেবেলের অর্থও বদলায়; তাই মডেল-আপগ্রেডের অনুমোদন মাল্টি-সিগ হোল্ডারের দুই স্বাক্ষরে সীমিত রাখা যায়। প্রযুক্তি সিদ্ধান্ত নেয় না, তবে সিদ্ধান্তটি কে নিল এবং কখন নিল, তা অপরিবর্তনীয়ভাবে লিখে রাখে — দায় বণ্টনের ক্ষেত্রে এটাই বাস্তব লাভ।

প্রশ্নটা থেকে যায়, লেজারটি কার। একটি সংবাদ সংস্থার ingest-লগ যদি কেবল তার নিজের প্রাইভেট চেইনে থাকে, তবে অখণ্ডতার নিশ্চয়তা আছে, স্বাধীন অডিট নেই। পাবলিক অ্যাংকরিং — অর্থাৎ শুধু Merkle রুট প্রকাশ্যে লেখা, বাকিটা অফ-চেইন — এই দুইয়ের মধ্যে একটি ব্যবহারিক ভারসাম্য দাঁড় করায়।

ব্লকচেইনের সবচেয়ে কাজে লাগার জায়গাটি আমি অবশ্য সংশোধনে দেখি। এই প্রতিবেদনেই হতাহতের সংখ্যা প্রাথমিক, কারণও অনির্ধারিত। প্রচলিত ব্যবস্থায় সংশোধন মানে আগের তথ্য মুছে নতুন তথ্য বসানো, ইতিহাস হারিয়ে যায়। অ্যাপেন্ড-অনলি লেজারে সংশোধন মানে মুছে ফেলা নয়, নতুন রেকর্ড যোগ করা; ফলে প্রাথমিক হিসেব আর পরবর্তী সংশোধনের মধ্যের দূরত্বটাই স্থায়ী প্রমাণ হয়ে থাকে।

একটি সীমা স্পষ্ট করে বলি। ব্লকচেইন প্রমাণ করে রেকর্ডটি বদলায়নি; প্রমাণ করে না রেকর্ডটি সত্য। সিমেন্টবোঝাই ট্রেইলারের ব্রেক কাজ করেনি কি না, তা কোনো হ্যাশ ফাংশন বলতে পারে না — সেটি বলতে পারে কেবল ফেডারেল বিশেষজ্ঞ মূল্যায়ন। অখণ্ডতা আর সত্য দুই জিনিস; এদের গুলিয়ে ফেলাই ডেটা-প্রযুক্তির সবচেয়ে সাধারণ ভুল।

এবার উল্টো দিকটি, কারণ ঝুঁকি একদিকে নেই। অপরিবর্তনীয়তা নিজেই একটি দায় হতে পারে। ভুল লেবেল একবার চেইনে বসে গেলে সেটি চিরকাল বসে থাকে; পাঠককে বুঝতে হয় কোনটি পুরোনো, কোনটি সংশোধিত। যেখানে ভুল তথ্য মুছে ফেলার আইনি বা নৈতিক বাধ্যবাধকতা আছে, সেখানে 'কখনো মুছবে না' সুবিধা নয়, সমস্যা। সমাধান প্রযুক্তিগত নয়, নকশাগত: প্রত্যাহার-রেকর্ড রাখতে হয়, যাতে মূল এন্ট্রি অটুট থাকে কিন্তু কার্যকরভাবে বাতিল হিসেবে চিহ্নিত হয়।

দ্বিতীয়ত, মূল ব্যর্থতাটি প্রযুক্তিগত নয়, সাংগঠনিক। পুয়েব্লা শব্দটি একটি ফুটবল ফিডে মিলে যাওয়া একটি কীওয়ার্ড-ম্যাচ — পুরোনো কৌশল, যা আধুনিক পোশাক পরে বসে আছে। হ্যাশ-চেইন দায় তৈরি করে না, দায় রেকর্ড করে। ডোমেইন-লেবেল ঘরটির যদি কোনো মালিক না থাকে, তবে চেইন কেবল এটাই লিখে রাখবে যে কোনো মালিক ছিল না।

তৃতীয়ত, নমুনা এক। একটি ভুল-লেবেলযুক্ত আইটেম পাওয়া গেছে বলে পুরো ফিড খারাপ — এই সিদ্ধান্তে পৌঁছানো যায় না। সম্পর্ক আর কারণ আলাদা জিনিস; ক্রলারের ত্রুটি নাকি ম্যানুয়াল ওভাররাইড, সেটি অন্য আইটেম যাচাই না করে বলা অসম্ভব। একটি ছোট কিন্তু অস্বস্তিকর সংকেতও আছে: সারসংক্ষেপে একটি 'X' চিহ্ন, যা সূচিত করে আইটেমটি যাচাই-অসম্পূর্ণ বা প্রত্যাহৃত। ওয়ার্কফ্লোতে এমন চিহ্ন থাকলে সেটি কোয়ারেন্টিনের যোগ্য প্রার্থী — লেবেল বসানোর আগেই।

সামনের চক্রে যে সংকেতগুলো দেখার আছে, সেগুলো নির্দিষ্ট। সূত্রে বা পাইপলাইনে football লেবেলটি সংশোধিত হয় কি না; ক্যাপুফে বা ফেডারেল বিশেষজ্ঞ মূল্যায়ন থেকে কারণ আনুষ্ঠানিকভাবে নির্ধারিত হয় কি না; হতাহতের সংখ্যা প্রাথমিক হিসেব থেকে বদলায় কি না; কিলোমিটার ৪৬-এ পূর্ণ চলাচল কখন ফেরে; আর একই ফিডের অন্য আইটেমেও একই ভুল লেবেল আছে কি না।

আমার নিজের থ্রেশহোল্ড বলে রাখি: পরবর্তী ingest চক্রে একই সোর্স থেকে আরও দুটি ভুল-শ্রেণিবদ্ধ আইটেম পাওয়া গেলে পুরো ফিডটি কোয়ারেন্টিনে যাবে। একটিতে সতর্কতা, দুইটিতে নমুনা-সন্দেহ, তিনটিতে ব্যবস্থাগার্দ — এই নিয়মটি আমি মেনে চলি, কারণ ফিড-স্তরের ত্রুটি কখনো একক দুর্ঘটনা নয়।

হিসাবটা শুরু হয় একটি হ্যাশ দিয়ে, শেষ হয় একটি ঠান্ডা মঙ্গলবারে — যেদিন লেবেল-ঘরটির একজন মালিক থাকবে। পরের চক্রে প্রশ্নটি হবে না 'আমাদের ব্লকচেইন আছে কি না'। প্রশ্নটি হবে, ওই একটি শব্দের দায় কে নেবে।