ভুল ডোমেইন লেবেল থেকে অন-চেইন যাচাই: ডেটা প্রোভেন্যান্স সংকট ও ব্লকচেইনের ভূমিকা

শেষ তিন সপ্তাহে আমার ডেস্কে একটা নিবন্ধ ঢুকেছিল যেটা আমাকে থামিয়ে দিয়েছিল। ডোমেইন লেবেল ছিল “ফুটবল।” কনটেন্টে ফুটবলের পরিমাণ শূন্য। ভেতরে ছিল মক্কা চুক্তি, পবিত্র মসজিদে পাকিস্তান সেনাবাহিনীর মোতায়েন, পাকিস্তান–তুরস্ক–সৌদি আরব কূটনীতি, আর ফিল্ড মার্শাল সৈয়দ আসিম মুনিরের প্রশংসা। কোনো দল নেই, খেলোয়াড় নেই, ফরমেশন নেই, ম্যাচ নেই। আমি চট্টগ্রামে একটা নতুন শিট খুলে প্রথমে ভেবেছিলাম আমার ফিল্টার নষ্ট। তারপর বুঝলাম, সমস্যা আমার দিকে নয় — সমস্যা সিস্টেমের ভেতরে। এটাই ডেটা প্রোভেন্যান্স সংকট, আর ঠিক এখানেই ব্লকচেইন প্রাসঙ্গিক হয়ে ওঠে। প্রতিদিন লক্ষ লক্ষ নিবন্ধ স্বয়ংক্রিয় শ্রেণীবদ্ধ মডেলের মধ্য দিয়ে চলে। মডেল একটা ট্যাগ বসায় — “ফুটবল,” “রাজনীতি,” “অর্থনীতি।” ট্যাগটাই তখন নিবন্ধের পরিচয় হয়ে যায়। ডাউনস্ট্রিমে বিশ্লেষক, মেশিন-লার্নিং মডেল, ট্রেনিং ডেটাসেট — সবাই ওই এক ট্যাগের উপর ভরসা করে। ট্যাগ ভুল হলে তার নিচে যা কিছু তৈরি হয়, সব ভুল হয়ে যায়। এটা রোজকার বাস্তবতা। আমার ফুটবল ডেটা পাইপলাইনে এই ঝুঁকি চেনা। xG, PPDA, ডিস্ট্যান্স-কভারড — প্রতিটি মেট্রিকের একটা স্পষ্ট উৎস থাকে। উৎস হারালে সংখ্যাটা অর্থহীন হয়ে যায়। কনটেন্ট লেবেলিংও একই যুক্তিতে চলে। লেবেল আসলে একটা দাবি: “এই নিবন্ধটি এই ডোমেইনের।” দাবিটা যাচাই করা না হলে সেটা বিশ্বাস ছাড়া আর কিছু নয়। এখানে ব্লকচেইন কী দেয়? মূলত একটা প্রোভেন্যান্স লেয়ার। প্রতিটি কনটেন্টের একটা ক্রিপ্টোগ্রাফিক হ্যাশ তৈরি হয়। হ্যাশটা অন-চেইনে অ্যাংকর করা হয়। উৎস, মালিকানা, রূপান্তরের ইতিহাস — সব টাইমস্ট্যাম্পসহ, পরিবর্তন-অযোগ্যভাবে রেকর্ড হয়। কনটেন্ট ক্রেডেনশিয়াল, ভেরিফায়েবল ক্রেডেনশিয়াল আর ডিসেন্ট্রালাইজড আইডেন্টিটি মিলিয়ে একটা ব্যবস্থা দাঁড়ায়, যেখানে যেকোনো ডাউনস্ট্রিম ভোক্তা যাচাই করতে পারে — এই কনটেন্ট কোথা থেকে এল, কে লেবেল বসাল, কে সেটা পরে বদলাল। আমি ওই নিবন্ধটা নিয়ে একটা অডিট চালালাম। ষোলোটা ইনফরমেশন পয়েন্টের মধ্যে তেরোটা এক ব্যক্তির বক্তব্য — রাজা সাকিব মজিদ। মাত্র তিনটি পয়েন্ট নিরপেক্ষ বা তথ্যভিত্তিক। বাকিটা মতামত, ঘোষণা, প্রশংসা। উৎসের স্তর: এজেন্সি বা প্রেস-রিলিজ থেকে আসা রিপোর্ট, স্বাধীন তদন্ত নয়। এটাই তথাকথিত “কোট-অ্যাজ-এভিডেন্স” প্যাটার্ন — এক পক্ষের বক্তব্যকে যাচাই ছাড়াই নিবন্ধের মূল উপাদান বানিয়ে দেওয়া। এখন কল্পনা করুন, ভুল ট্যাগটা একটা ফুটবল বিশ্লেষণ পাইপলাইনে ঢুকে পড়ল। কী হয়? এনটিটি এক্সট্রাকশন ভুল হয় — “ফিল্ড মার্শাল” আর “ম্যানেজার” একই বাকেটে পড়ে। টপিক মডেল ধীরে ধীরে ড্রিফট করে। ট্রেনিং ডেটাসেটে যদি এমন আইটেম জমতে থাকে, মডেল ভুল সম্পর্ক শিখে ফেলে। এটা আমার দেখা সবচেয়ে নীরব দূষণ — কোনো ক্র্যাশ নেই, কোনো এরর মেসেজ নেই, শুধু ধীরে ধীরে সিস্টেম সত্য থেকে সরে যায়। ব্লকচেইন-ভিত্তিক প্রোভেন্যান্স এই জায়গায় ঠিক কী করত? প্রথমত, উৎস-স্তরের অ্যাটেস্টেশন। পাবলিশারের একটা যাচাইযোগ্য পরিচয় থাকত। দ্বিতীয়ত, লেবেল আর কনটেন্টের হ্যাশ আলাদা করে অন-চেইনে রেকর্ড হত। ডাউনস্ট্রিম গেট চাইলে দুটো মিলিয়ে দেখতে পারত — লেবেল বলছে “ফুটবল,” কিন্তু কনটেন্টে ফুটবল এনটিটি শূন্য। অমিলটা সাথে সাথে ধরা পড়ত। তৃতীয়ত, কেউ যদি পরে লেবেল বদলাত, চেইনে দুইটা হ্যাশ থেকে যেত — আগের আর পরের। ট্যাম্পার ধরা পড়ত, আর দায় এড়ানোর পথ বন্ধ হত। এই ধারণা তত্ত্বে সীমাবদ্ধ নয়। সাপ্লাই চেইন ট্রেসিং, ফার্মাসিউটিক্যাল ব্যাচ, কৃষিপণ্যের উৎস, খাদ্য নিরাপত্তা — সব জায়গায় অন-চেইন প্রোভেন্যান্স আজ বাস্তবে ব্যবহৃত হচ্ছে। মিডিয়া ও কনটেন্টে একই নীতি প্রযোজ্য। প্রতিটি ফাইল, প্রতিটি এডিট, প্রতিটি পুনঃপ্রকাশের একটা অপরিবর্তনীয় রেকর্ড থাকতে পারে। মার্কল ট্রি দিয়ে হাজারো নিবন্ধের হ্যাশ একটাই রুটে বাঁধা যায়, ফলে স্কেল আর খরচ দুটোই নিয়ন্ত্রণে থাকে। স্মার্ট কনট্র্যাক্ট দিয়ে অটোমেটিক গেট বসানো যায়, যা মিল না থাকলে কনটেন্ট ইনজেশনে ঢুকতেই দেয় না। আমার কাছে এর বড় অংশ জবাবদিহিতা। লাইভ ডেটা যখন বেটিং কোম্পানির দিকে বইতে থাকে, তখন উৎস আর লেবেল যাচাই না থাকলে সবচেয়ে বেশি ক্ষতি হয় সাধারণ মানুষের। কনটেন্ট লেবেলিংও একই যুক্তির অংশ। যে সিস্টেম বলে দেয় “এটা ফুটবল,” তার একটা প্রমাণ রাখা উচিত কেন সে তাই বলছে। এখানে একটা ফাঁদ আছে, আর সেটা স্পষ্ট করে বলা দরকার। অন-চেইন মানে সত্য নয়। ব্লকচেইন প্রমাণ করে কে কী কখন লিখল, কে কী বদলাল। সে প্রমাণ করে না কনটেন্টটা আসলে সত্য। একটা মিথ্যাও নিখুঁতভাবে চেইনে রেকর্ড করা যায়, আর ইমিউটেবিলিটির কারণে সেটা মুছে ফেলাও কঠিন। ভুল ইনপুট ঢুকলে ভুলই স্থায়ী হয়। দ্বিতীয় প্রশ্ন খরচ আর স্কেলের। প্রতিটা নিবন্ধের হ্যাশ সরাসরি অন-চেইনে বসানো মানে ট্রানজ্যাকশন ফি, থ্রুপুট সীমা, লেটেন্সি। বাস্তবে পুরো কনটেন্ট চেইনে না রেখে শুধু হ্যাশ বা মার্কল রুট অন-চেইনে রাখা হয়, বাকিটা অফ-চেইনে থাকে। আর সবচেয়ে বড় কথা — প্রযুক্তি শ্রেণীবদ্ধ মডেলের মূল দুর্বলতা নিজে থেকে মেরামত করে না। যদি ক্লাসিফায়ার ভুল শেখে, ব্লকচেইন শুধু ভুলটাকে স্থায়ী করে। আসল সমাধান তাই একাধিক স্তরের। একটা ডোমেইন-কনসিস্টেন্সি গেট দরকার — ইনজেশনের আগে লেবেল আর কনটেন্ট মিলিয়ে দেখা। সাথে মানুষের রিভিউ, আর একক-উৎস রিপোর্টের জন্য আলাদা ঝুঁকি-স্কোর। ব্লকচেইন এখানে একটা স্তর, পুরো ব্যবস্থা নয়। আমি বেশি মডেল মুছে ফেলেছি যেগুলো প্রকাশ করেছি তার চেয়ে, আর সেটাই আসল কাজ। যখন কোলাহল বাড়ে, আমি কাঁচা ইভেন্ট ডেটায় ফিরে গিয়ে আবার শুরু করি। আমার সিদ্ধান্তের নিয়মটা সহজ। আমি কোনো কনটেন্টকে তার লেবেলের উপর ভরসা করি না, যতক্ষণ না উৎস আর হ্যাশ মিলে যায়। আমি এজ খুঁজি না; আমি রেকর্ড রাখি, যতক্ষণ না এজ নিজে এসে পরিচয় দেয়। পরের ধাপে আমি আমার নিজের পাইপলাইনে একটা ভেরিফিকেশন গেট বসাচ্ছি — লেবেল বনাম এনটিটি-ম্যাচের স্কোর। যদি কোনো নিবন্ধ “ফুটবল” দাবি করে অথচ ফুটবল এনটিটি শূন্য দেখায়, সেটা ইনজেশনের আগেই থামবে। প্রশ্নটা এখন সবার জন্য: আপনার সিস্টেম কি জানে, তার কাছে যা এসেছে সেটা আসলে কী?