স্টেজ-১ খালি রিপোর্ট ও এশিয়ান ক্রিকেট পাইপলাইনের ফাঁক: ডেটা মঙ্কের নোটবুক থেকে একটি সতর্কবার্তা

সকাল সাড়ে সাতটায় য়ের অফিস ডেস্কে কফি ঠান্ডা হয়ে গিয়েছিল, আর আমার স্ক্রিনে একটা রিপোর্ট খোলা ছিল যার শিরোনাম ছিল না, সূত্র ছিল না, লেখক ছিল না। শুধু একটা লেবেল জ্বলজ্বল করছিল—cricket_asia। আমি xG ফাইলটা খুলেছিলাম মঠের দরজার মতো: প্রথমে নিঃশব্দে, তারপর একসাথে। এবারও তাই করলাম। ডোমেইন লেবেল ছাড়া বাকি সব ঘর ফাঁকা। শিরোনাম N/A। সূত্র N/A। সারসংক্ষেপ ফাঁকা। তথ্যবিন্দুর তালিকা—সবচেয়ে গুরুত্বপূর্ণ জিনিসটা—সম্পূর্ণ শূন্য। এটা কোনো বিশ্লেষণ নয়। এটা একটা খালি খাঁচা যার গায়ে 'এশিয়ান ক্রিকেট' লেখা স্টিকার সাঁটানো। আর আমার কাজ হলো সেই খাঁচা খুলে দেখা কী নেই, কেন নেই, এবং এই ফাঁকটা যদি এশিয়ার ক্রিকেট কভারেজের সাধারণ রোগ হয় তাহলে সেটা কতটা বিপজ্জনক। আমি ২০১৭ সালে সিঙ্গাপুরে এশিয়া ফুটবল ডেটা ল্যাব-এ জুনিয়র অ্যানালিস্ট হিসেবে যোগ দিয়েছিলাম। জালান বেসার স্টেডিয়ামে হোম ইউনাইটেডের প্রতিটি হোম ম্যাচে যেতাম, স্টিপ প্লাজিবাটের ৩৭ গোলের পেছনে ২৪.৮ xG-র হিসাব রাখতাম। সেখানে শিখেছিলাম একটা জিনিস: ডেটা মডেল যখন খালি ইনপুট পায়, সে চুপ করে বসে থাকে না—সে ডিফল্ট মান বসিয়ে দেয়। আর সেই ডিফল্ট মানই সবচেয়ে বিশ্বাসঘাতক। এই স্টেজ-১ রিপোর্টটা ঠিক সেই রোগের নমুনা। ক্লাসিফায়ার বলেছে টেক্সটটা 'এশিয়ান ক্রিকেট' ডোমেইনের। কিন্তু ডোমেইন লেবেল কোনো তথ্য নয়। এটা একটা রাউটিং ট্যাগ, একটা ডাকঘরের ঠিকানা। চিঠির ভেতরে কী লেখা আছে সেটা ঠিকানায় থাকে না। আর আমরা যদি ঠিকানাকে চিঠি ভেবে ফেলি, তাহলে গোটা বিশ্লেষণ-শৃঙ্খল একটা ভুয়া ভিত্তির ওপর দাঁড়িয়ে যাবে। আমি রাশিয়া বিশ্বকাপ ২০১৮-তে লাইভ ডেটা থ্রেড করতাম। বেলজিয়াম-জাপান ম্যাচে জাপান ২-০ এগিয়ে ছিল, আমি জাপানের PPDA ৬.৯ আর বেলজিয়ামের ২৪ শট, xG ৩.১ বনাম ১.৪ ট্র্যাক করছিলাম। প্রতি রিফ্রেশ ছিল একটা নাড়ি যা আমাকে ধরে রাখতে হতো। কিন্তু সেই রিফ্রেশগুলোর পেছনে সবসময় কঠিন তথ্য ছিল—শটের সংখ্যা, পাসের সংখ্যা, দূরত্ব। এখন এই খালি রিপোর্টের সামনে বসে আমার মনে হচ্ছে আমি এমন এক ম্যাচ স্কোরবোর্ড দেখছি যেখানে শুধু স্টেডিয়ামের নাম লেখা, স্কোর নেই। সমস্যাটা কোথায় সেটা তিনটা সম্ভাব্য কারণের মধ্যে সাজানো যায়। প্রথমত, আপস্ট্রিম টেক্সট এক্সট্রাকশন ব্যর্থ হতে পারে—স্ক্র্যাপার বা পার্সার খালি স্ট্রিং ফেরত দিয়েছে, শুধু HTML কাঠামো এসেছে। দ্বিতীয়ত, ইনপুট আসলে পাস হয়নি—আর্টিকেল ফিল্ড খালি ছিল বা ভুল ভেরিয়েবলে পয়েন্ট করছিল। তৃতীয়ত, স্টেজ-১ ক্লাসিফিকেশন চালিয়েছে কিন্তু এক্সট্রাকশন চালায়নি। তৃতীয়টা আমার কাছে সবচেয়ে সন্দেহজনক। কারণ খালি টেক্সট প্রসেস করার সময় সাধারণত domain_label-ও অনিশ্চিত থাকার কথা। এখানে লেবেলটা নিশ্চিতভাবে cricket_asia, বাকি সব শূন্য—এই 'শুধু একটা ঘর ভরা' আকৃতিটা প্রক্রিয়ার কোনো এক ধাপে অকালে রিটার্ন করার লক্ষণ, মডেলের 'এই নিবন্ধে তথ্য নেই' সিদ্ধান্ত নয়। আমার কাছে ব্যাপারটা ২০২০ সালের এম্পটি স্টেডিয়াম ডায়েরিজের কথা মনে করায়। বান্দেসলিগার প্রথম চল্লিশটা দর্শকশূন্য ম্যাচে হোম টিম জিতেছিল মাত্র ২১.৪ শতাংশ, আগে যা ছিল ৪৩.২ শতাংশ। আমি সিঙ্গাপুরের সার্কিট ব্রেকারে একা বসে জুম ওয়াচ পার্টি আর অনলাইন ফিফা টুর্নামেন্ট করে সময় কাটাতাম। সেই সময় শিখেছিলাম—শূন্যতা মানে শূন্যতা নয়। শূন্যতারও নিজের প্রত্যাশিত গোল থাকে, নিজের গতি থাকে। এই শূন্য রিপোর্টটাও তাই। এর ভেতরে একটা গল্প আছে, সেটা হলো আমাদের পাইপলাইনের গল্প। এশিয়ার ক্রিকেট কভারেজের বাজার এখন বিশাল। দুবাই, আবুধাবি, শারজাহ—এই মরুভূমির নিরপেক্ষ ভেন্যুগুলো এখন এশিয়ান ক্রিকেটের দ্বিতীয় ঘর। বাংলাদেশ থেকে সংযুক্ত আরব আমিরাত পর্যন্ত, করাচি থেকে কলম্বো পর্যন্ত—সময় অঞ্চলের ফাঁক পেরিয়ে লাখো ভক্ত প্রতি ওভারে রিফ্রেশ চাপে। আমার মতো কেউ, যিনি বাংলাদেশে জন্মেছেন এবং আমিরাতে কাজ করেন, সে জানে এই রিফ্রেশের ওজন কত। সকালের শিফটের ফাঁকে ফোনে স্কোর দেখার উত্তেজনা, রাতের ডিউটির পরে হাইলাইটস দেখার ধৈর্য। এই বাজারে যদি আমাদের ডেটা পাইপলাইন খালি রিপোর্ট ছুড়ে দেয়, তাহলে ভক্তরা ভুল তথ্য পাবে, আর আমরা হারাবো সেই বিশ্বাস যেটা অর্জন করতে বছরের পর বছর লেগেছে। আমি ফুটবলের ভাষা থেকে ক্রিকেটে মেট্রিক অনুবাদ করি—xG-র ভোকাবুলার ধার করে এক্সপেক্টেড রান আর উইন-প্রোবাবিলিটির খাতা বানাই। কিন্তু এই অনুবাদের প্রথম শর্ত হলো ইনপুট শুদ্ধ হতে হবে। খালি ইনপুটে ভরা খাতা মানে মিথ্যা। আর মিথ্যা ডেটা সেই মঠের দরজার চেয়েও বিপজ্জনক, কারণ দরজা খোলা থাকলে কেউ ঢুকে দেখে নিতে পারে, কিন্তু ভুয়া খাতা বছরের পর বছর চলে। আমার স্পষ্ট মত হলো, স্টেজ-১-এ একটা অ্যাসার্শন দরকার: তথ্যবিন্দুর তালিকা শূন্য হলে প্রক্রিয়া থামুক, ডিফল্ট আউটপুট না দিক। ব্যর্থতা স্বীকার করা ভালো, ব্যর্থতাকে সাজিয়ে সফল দেখানোর চেয়ে। এশিয়ান ক্রিকেটের কনটেক্সটে এটা আরও জরুরি, কারণ এখানে সূত্রের স্বচ্ছতা এমনিতেই কম। অনেক আঞ্চলিক রিপোর্টে সাংবাদিকের নাম থাকে না, তারিখ থাকে না, কোটের অ্যাট্রিবিউশন থাকে না। এই পরিবেশে যদি আমাদের নিজের সিস্টেমও খালি রিপোর্ট ছুড়ে দেয়, তাহলে আমরা সেই অস্বচ্ছতারই অংশ হয়ে যাবো। কিন্তু এখানে একটা কন্ট্রারিয়ান অ্যাঙ্গেল আছে, আর সেটা আমি এড়িয়ে যেতে চাই না। খালি রিপোর্ট মানেই যে সিস্টেম ব্যর্থ, তা নয়। কখনো কখনো নিবন্ধটা সত্যিই তথ্যহীন হতে পারে—শুধু আবেগ, শুধু umum কথা, কোনো যাচাইযোগ্য দাবি ছাড়া। এশিয়ান ক্রিকেট সাংবাদিকতার একটা বড় অংশ এখনো ম্যাচ রিপোর্টের নামে অনুভূতির স্তূপ। সেই ক্ষেত্রে তথ্যবিন্দু শূন্য হওয়াটা সিস্টেমের দোষ নয়, বরং সিস্টেমের সততা। সমস্যা হলো, এই দুই পরিস্থিতি—'সিস্টেম ব্যর্থ' আর 'নিবন্ধ সত্যিই খালি'—একই আউটপুট দেয়। আর সেটাই সবচেয়ে বড় ডিজাইন ত্রুটি। একটা ভালো পাইপলাইনে এই দুটো আলাদা করে চেনার উপায় থাকা উচিত। আমার মতে, স্টেজ-১-এ অন্তত একটা ফিল্ড থাকা দরকার যেটা বলবে এক্সট্রাকশন সফল হয়েছে কি ব্যর্থ। যেমন extraction_status: success / empty_input / parse_error। এই একটা ফিল্ড থাকলে আমরা জানতাম আমরা কোন সমস্যার মুখোমুখি। আমি কখনো দাবি করি না যে ডেটা সব বলে দেয়। ২০১৭ সালে প্লাজিবাটের ক্ষেত্রে ডেটা বলেছিল রিগ্রেশন আসবে, আমার চোখ বলেছিল ফিনিশিং। আমি 'দ্য ফিনিশার্স প্যারাডক্স' লিখেছিলাম সেই দ্বন্দ্ব নিয়ে। এখানেও একই দ্বন্দ্ব। খালি রিপোর্টের ডেটা বলছে 'কোনো তথ্য নেই', কিন্তু আমার সাংবাদিকের অন্তর্দৃষ্টি বলছে 'অনুসন্ধান করতে হবে কেন নেই'। এই দুইয়ের মধ্যে পার্থক্য না করলে আমরা ভুল জায়গায় ভুল সিদ্ধান্ত নেবো। সমাধানের পথ তিনটা। এক, সরাসরি মূল নিবন্ধটা আমাকে দেওয়া হোক—আমি একবারে এক্সট্রাকশন আর গভীর বিশ্লেষণ দুটোই করে ফেলবো, স্টেজ-১-এর মধ্যবর্তী আউটপুটের ওপর নির্ভর না করে। এটাই এখন সবচেয়ে দ্রুত পথ। দুই, আপস্ট্রিম ঠিক করে স্টেজ-১ আবার চালানো হোক—একই মূল নিবন্ধ এক্সট্র্যাক্টরে দিয়ে দেখতে হবে তথ্যবিন্দুর তালিকা খালি আসে কি না। তিন, শুধু স্টেজ-২-এর ইনপুট কন্ট্রাক্ট দরকার হলে আমি সেটাও দিতে পারি—কোন কোন ন্যূনতম ফিল্ড ছাড়া স্টেজ-২-এর চারটা মূল বিশ্লেষণ মাত্রা (যুক্তি কাঠামো, প্রমাণের শক্তি, সূত্রের বিশ্বাসযোগ্যতা, সময়োপযোগিতা) শুরুই করা যায় না, সেই তালিকা দেবো। স্টেজ-২-এর জন্য আমার ন্যূনতম চাহিদা হলো: শিরোনাম, সূত্র, প্রকাশের তারিখ, লেখক; নিবন্ধের ধরন (সংবাদ / বিশ্লেষণ / মতামত / ডেটা-রিপোর্ট); তথ্যবিন্দুর তালিকা যেখানে প্রতিটিতে থাকবে দাবি, প্রমাণের ধরন (ডেটা / উদ্ধৃতি / পর্যবেক্ষণ / অনুমান), অ্যাট্রিবিউশন (কে বলেছে) আর আত্মবিশ্বাসের মাত্রা; এবং সত্তা ও সময়-সূচির তালিকা। এই তথ্যবিন্দু ছাড়া যুক্তি কাঠামো, প্রমাণের শক্তি, সূত্রের বিশ্বাসযোগ্যতা—এই তিনটা মাত্রাই অন্ধকারে হাতড়ানো। আমার অফিসের জানালা দিয়ে দুবাইয়ের আকাশ দেখা যায়, আর এখন সন্ধ্যার আলোয় কাচে প্রতিফলন পড়ছে। আমি জানালার ওপাশে তাকিয়ে ভাবছি, এশিয়ান ক্রিকেটের ডেটা অবকাঠামো এখন ঠিক কোথায় দাঁড়িয়ে। আমাদের কাছে ভেন্যু আছে, দর্শক আছে, সম্প্রচার আছে, এমনকি xG-র মতো সরঞ্জামও আছে। কিন্তু পাইপলাইনের ভেতরে যদি খালি রিপোর্ট ঘুরে বেড়ায়, তাহলে বাইরের এই সমস্ত জাঁকজমক একটা ফাঁপা খোলস। পরের রাউন্ডের সংকেত কী? আমি মনে করি, এই খালি রিপোর্টটা একটা সুযোগ। এটা আমাদের দেখিয়ে দিচ্ছে কোথায় আমাদের সতর্কতা দরকার। যে ক্রিকেট বাজারে প্রতি ওভারে লাখো রিফ্রেশ পড়ে, সেখানে ডেটার মান যাচাইয়ের ব্যবস্থা থাকা উচিত সাংবাদিকের নাম যাচাইয়ের মতোই কঠোর। শূন্য তথ্যবিন্দুর তালিকা যখন আসবে, তখন প্রশ্নটা হওয়া উচিত 'কেন খালি', 'কে দায়ী', 'কীভাবে ঠিক করবো'—শূন্যতার ওপর গল্প বানানো নয়। আমি মঠের দরজাটা আজ বন্ধ করছি, কিন্তু খাতাটা খোলা রেখে যাচ্ছি। কারণ আগামীকাল আবার রিফ্রেশ চাপতে হবে, আবার নতুন ওভার শুরু হবে। আর আমাদের সিস্টেমকে তখন প্রস্তুত থাকতে হবে—খালি হাতে নয়।