শূন্য পেলোডের চেইন: ক্রিকেট ডেটা পাইপলাইনে নাল সিগন্যাল কেন ব্লকচেইনের চেয়েও বড় সংকট

হুক

রিপোর্টটা ফিরে এল মঙ্গলবার রাতে, আর আমার প্রথম ভাবনা ছিল — স্ক্রিপ্টটা বুঝি মাঝপথে থেমে গেছে। আটটি বিশ্লেষণ-মাত্রা, আটটিতেই একই উত্তর: পর্যাপ্ত তথ্য নেই। খেলোয়াড়ের নাম নেই। দল নেই। ফরম্যাট নেই। ভেন্যু নেই। তারিখ নেই। ইনফরমেশন পয়েন্টের তালিকা — যেটা এই পুরো বিশ্লেষণের একমাত্র প্রমাণভিত্তি — সেটা একেবারে খালি।

রংপুরে সিগন্যাল দেরিতে আসে, কিন্তু পরিষ্কার আসে। এই লাইনটা আমি বহুবার লিখেছি, আর প্রতিবারই সেটা ছিল একরকম সান্ত্বনা। এবার সিগন্যাল দেরিতে আসেনি। একেবারেই আসেনি। দেরি আর অনুপস্থিতি এক জিনিস নয়, আর ডেটা-কাজে এই দুটোকে গুলিয়ে ফেলাই সবচেয়ে ব্যয়বহুল ভুল।

প্রেক্ষাপট

যে ব্যবস্থাটা আমি ব্যবহার করি, সেটা দুই ধাপের। প্রথম ধাপে একটি নিবন্ধকে ভেঙে তথ্য-বিন্দুতে পরিণত করা হয় — কে, কখন, কোন সংখ্যা, কোন সূত্র। দ্বিতীয় ধাপে সেই বিন্দুগুলোর উপর দাঁড়িয়ে আটটি মাত্রার বিশ্লেষণ হয়: ফরম্যাট, খেলোয়াড়, দল, লিগ ও বাণিজ্য, নিয়ম ও শাসন, ঝুঁকি, জন-আখ্যান, আর শিল্পে তার সংক্রমণ। আমি ব্রডকাস্ট বুথ ছেড়েছিলাম কারণ ডেটার স্মৃতি অনেক লম্বা — লাইভ ধারাভাষ্যের স্মৃতি পাঁচ মিনিট, লেজারের স্মৃতি পাঁচ বছর। কিন্তু সেই লম্বা স্মৃতিরও একটা শর্ত আছে: ফিল্ডগুলো ভরা থাকতে হবে।

আমার নিজের কাজের ইতিহাসে এই শর্তটা স্পষ্ট। ২০১৬-১৭ মৌসুমে বার্নলি ৩৪.৭ এক্সজি থেকে ৩৯ গোল করেছিল, শন ডাইসের নিচু-ব্লক ব্যবস্থায় তাদের পিপিডিএ ছিল ১৩.৪। ওই মৌসুমে আমি প্রতিটি ম্যাচ ০.৫ গতিতে দেখে শট-লোকেশন আর ডিফেন্সিভ অ্যাকশন হাতে লিখে রাখতাম, আর সংখ্যাগুলো অর্থপূর্ণ হয়েছিল কারণ ফিল্ডগুলো ভরা ছিল। ২০১৮ বিশ্বকাপে জার্মানি দক্ষিণ কোরিয়ার কাছে ০-২ হেরেছিল; তাদের দখল ৭২ শতাংশ, শট ২৬, এক্সজি ২.৪, কিন্তু রেস্ট-ডিফেন্স পিপিডিএ ছিল ৮.১। পিপিডিএ জার্মানিকে ধরতে পারেনি — ধরেছিল ভরা ফিল্ডের ভেতরের সম্পর্ক। মডেল ভুল ছিল না, মডেলের প্রশ্নটা ভুল জায়গায় ছিল।

এখন ক্রিকেটের বাণিজ্যিক স্তরে নতুন একটা তল যোগ হচ্ছে। খেলোয়াড় নিবন্ধন, চুক্তির রিলিজ-ক্লজ, ট্রান্সফার পেমেন্ট, এজেন্ট কমিশন — এসব লেজারে তুলে রাখার কথা চলছে, যাতে রেকর্ড ট্রেসেবল, ভেরিফায়েবল আর পুনর্ব্যবহারযোগ্য হয়। কাগজে যুক্তিটা পরিষ্কার। কিন্তু লেজার যতই অপরিবর্তনীয় হোক, ইনপুট সম্পর্কে সে কিছু বলতে পারে না।

ক্রিকেটের তথ্য-অবকাঠামোতে ফাঁক নতুন কিছু নয়। ছোট ভেন্যু, দ্বিতীয় সারির ম্যাচ, বয়স-ভিত্তিক টুর্নামেন্ট — এসব জায়গায় বল-ট্র্যাকিং আর শট-লোকেশন ডেটা হয় দেরিতে আসে, নয়তো অসম্পূর্ণভাবে আসে। কয়েক বছর ধরে আমি রংপুর অঞ্চলের স্কোরকার্ড আর জাতীয় ডেটাসেট পাশাপাশি রেখে মিলিয়ে দেখছি। ব্যবধানটা সংখ্যায় ধরা পড়ে: কোথাও কভারেজের ঘাটতি ১০ শতাংশ, কোথাও ৪০ শতাংশের বেশি। এই ঘাটতি নিজেই একটি ফলাফল — তবে কেবল তখনই, যখন তুমি জানো ডেটা নেই, বনাম ডেটা শূন্য।

মূল বিশ্লেষণ

রিপোর্ট যা বলছে সেটা সরল: তথ্য-বিন্দুর তালিকা খালি, আর সেটাই ব্লকিং ব্যর্থতা। বাকি প্রতিটি মাত্রা ফিরে এসেছে প্রযোজ্য নয় হিসেবে। এটা দুর্বল নিবন্ধের ঘটনা নয়। এটা পাইপলাইনের ভাঙন, ঠিক সেই জায়গায় যেখানে প্রমাণ তৈরি হওয়ার কথা ছিল।

ব্যর্থতার সম্ভাব্য কারণ তিনটি, আর সৎভাবে বললে কোনোটাই নিশ্চিত নয়। এক, উৎস নিবন্ধটাই খালি ছিল বা লোড হতে পারেনি। দুই, প্রথম ধাপের এক্সট্র্যাক্টর একটি নাল পেলোড ফিরিয়েছে, আর সেটি যাচাই ছাড়াই পরের ধাপে চলে গেছে। তিন, কোনো ফিল্ড-ম্যাপিং বা সিরিয়ালাইজেশন ত্রুটি তথ্য-বিন্দুর অ্যারে ফেলে দিয়েছে। আত্মবিশ্বাসের মাত্রা কম, কারণ প্রমাণ শূন্য।

এখানে আসল বিপদটা পরিসংখ্যানের, প্রযুক্তির নয়। ডেটা-কাজের সবচেয়ে পুরনো পাপ হলো অনুপস্থিতিকে শূন্য ধরে নেওয়া। যদি কোনো ম্যাচে এক্সজি রেকর্ড না হয় আর তুমি সেটা শূন্য লিখে দাও, বার্নলির ৩৪.৭ এক রাতে মিথ্যা হয়ে যায়। কোনো চুক্তির মূল্য অনুপস্থিত থাকলে শূন্য বসালে পুরো ওয়েজ-বিল বিশ্লেষণ ধসে পড়ে। খালি আর শূন্য দুটো আলাদা অবস্থা, আর মডেল দুটোকে আলাদা চেনে না — যদি না তুমি সেটা শেখাও।

নাল-প্রচারণার ধারণাটা এখানে কাজে লাগে। একটি খালি ফিল্ড চুপচাপ নিচের প্রতিটি স্তরে ছড়িয়ে পড়ে, আর প্রতিটি স্তর সেটাকে সামলে নেয় নিজের মতো করে। কেউ লেখে প্রযোজ্য নয়, কেউ বসায় শূন্য, কেউ পুরো সারি ফেলে দেয়। তিনটে পথ, তিনটে ভিন্ন ফলাফল, একই ইনপুট। এ কারণেই ইনজেশন স্তরে সিদ্ধান্তটা একবার নিতে হয়, পরে নয়।

ব্লকচেইনের দিক থেকে দেখলে ব্যাপারটা আরও তীক্ষ্ণ। খালি ব্লকের হ্যাশও একটি নিখুঁত বৈধ হ্যাশ। অপরিবর্তনীয় লেজার কেবল সেটাই লিখে রাখে যা লেখা হয়েছে; নীরবতা কখনো লেজারে ওঠে না। তাই দুর্বল ইনজেশন পাইপলাইনের উপরে বসানো নিখুঁত লেজার তোমাকে দেবে একটি চিরস্থায়ী, পরিবর্তন-অযোগ্য, যাচাইযোগ্য — ভুল ডেটাসেট। টেম্পার-প্রুফ সত্য-প্রুফ নয়। ক্রিকেটের চুক্তি-অর্থনীতিতে এই দুইয়ের দূরত্বটাই এখন সবচেয়ে বড় অদৃশ্য ঝুঁকি।

ট্রান্সফার উইন্ডোতে সেই ঝুঁকির নাম গুজব। গুজব মানে ডেডলাইনসহ একটা কথা, আর সূত্রহীন ডেডলাইন হলো আখ্যানের ভাষায় একটি নাল পেলোড। একটা উদাহরণ পরিষ্কার করি। ধরো, কোনো খেলোয়াড়ের রিলিজ-ক্লজ নিয়ে একটি দাবি ছড়াল। আমি যাচাইয়ের সময় চারটে প্রশ্ন করি: দাবির মূল সূত্র কোন সংবাদমাধ্যম, প্রকাশের পরম তারিখ কী, ক্লজের অঙ্কটা কার ভাষায় বলা হয়েছে — ক্লাবের, এজেন্টের, নাকি সাংবাদিকের, আর খেলোয়াড়ের বর্তমান চুক্তির মেয়াদ শেষ কবে। এই চারটে উত্তর না মিললে দাবিটা আমার কাছে নাল পেলোড — আখ্যানে মোড়া, সংখ্যাহীন। এজেন্টের চাপ, রিলিজ-ক্লজের গঠন, ওয়েজ-বিলের ভার — এই তিনটাই আসল গল্প, কারণ এগুলো যাচাইযোগ্য।

নূন্যতম-তথ্য সীমা — আজকের সবচেয়ে ব্যবহারযোগ্য ধারণা। চারটি ফিল্ড ভরা না থাকলে পরের ধাপে যাওয়া উচিত নয়: তথ্য-বিন্দুর তালিকা, সংশ্লিষ্ট সত্তার তালিকা, নিবন্ধের শিরোনাম ও উৎস, আর সময়-সংবেদনশীলতা। চারটির একটিও খালি থাকলে বিশ্লেষণ থামানোই সঠিক সিদ্ধান্ত। দুর্বল ইনপুটে শক্তিশালী আউটপুট বানানোর চেষ্টা মানে সংখ্যার উপর সংখ্যা সাজিয়ে একটি সুন্দর মিথ্যা নির্মাণ।

সীমা টানার সুবিধা হলো, এটা নিষ্ক্রিয়তা নয় — সক্রিয় সিদ্ধান্ত। বিশ্লেষণ না করাও একটি ফলাফল, যদি কারণটা স্পষ্টভাবে লেখা থাকে। যে প্রতিবেদন বলে তথ্য নেই, তাই বিশ্লেষণ নেই, সেটি পাঠককে সত্য বলে। যে প্রতিবেদন খালি ফিল্ডের উপর দাঁড়িয়ে সুন্দর অনুমান সাজায়, সেটি পাঠককে বিভ্রান্ত করে। প্রথমটা অসম্পূর্ণ, দ্বিতীয়টা ক্ষতিকর।

আর একটা প্রক্রিয়াগত পার্থক্য জরুরি। এক্সট্র্যাকশন ব্যর্থতা আর প্রকৃত খালি বিষয়বস্তু — এই দুটোকে আলাদা করার জন্য একটি স্পষ্ট ত্রুটি-স্টেটাস ফিল্ড দরকার। এখন দুটো একই দেখতে, অথচ একটার মানে যন্ত্র ভেঙেছে, অন্যটার মানে নিবন্ধে কিছুই ছিল না। ভুল রোগনির্ণয়ের মতো — চিকিৎসা আলাদা, রোগী এক নয়।

বিপরীত কোণ

আমি এখানে একটি পরিষ্কার, পরীক্ষাযোগ্য দাবিতে আটকে যেতে চাই: এই ব্যর্থতাটা উৎস-সংশ্লিষ্ট, এক্সট্র্যাক্টর-সংশ্লিষ্ট নয়। যদি একই এক্সট্র্যাক্টর সংস্করণ দিয়ে একটি জানা-ভালো নিবন্ধ চালানো হয় এবং ফিল্ডগুলো ভরা ফেরে, আমার দাবি টিকে যায়। যদি সেটাতেও ফিল্ড খালি ফেরে, আমার দাবি ভেঙে যায় এবং দায়টা যন্ত্রের। দাবিটা ইচ্ছাকৃতভাবে ভাঙার যোগ্য করে লিখছি, কারণ যে দাবি ভাঙা যায় না, সেটা দাবি নয় — বিশ্বাস।

দ্বিতীয় বিপরীত কথা: এই খালি ফলাফলটাকে অনেকে কোনো খবর নেই হিসেবে পড়ছে। ভুল। খালি পেলোড নিজেই খবর — এটি একটি যন্ত্রের ব্যর্থতার স্বাক্ষর। এখানেই সতর্কতা: সহ-সম্পর্ক আর কারণ এক নয়। তিনটি সম্ভাব্য কারণের একটিকেও আমি প্রমাণ করতে পারছি না; পারছি কেবল এটুকু বলতে যে প্রমাণের অভাবে বিশ্লেষণ অসম্ভব।

রংপুর-প্রেমের ফাঁদটাও নিজের সামনে খোলাখুলি রাখি। প্রথমে ভেবেছিলাম স্থানীয় অবকাঠামোর বিলম্ব বুঝি দায়ী। যাচাই করে দেখলাম: এখানে বিলম্ব নয়, কাঠামোগত শূন্যতা। পেলোড দেরিতে আসেনি, আসেইনি। স্থানীয় ডেটাকে জাতীয় ডেটাসেটের সঙ্গে মিলিয়ে না দেখলে এই পার্থক্য ধরা পড়ত না, আর আমি ভুল গল্প লিখে ফেলতাম।

শেষ কথা

পরের ধাপে যাওয়ার আগে তিনটি কাজ: জানা-ভালো একটি নিবন্ধ দিয়ে এক্সট্র্যাক্টরের অডিট, একটি স্পষ্ট ত্রুটি-স্টেটাস ফিল্ডের সংযোজন, আর সূত্র ও পরম তারিখ বাধ্যতামূলক করা। যে সংকেতটা আমি দেখতে থাকব সেটা একটাই — পরবর্তী প্রথম-ধাপের ফলাফলে অন্তত একটি তথ্য-বিন্দু ফেরে কি না। ভেন্যু-স্তরের কভারেজের ব্যবধান কমছে কি না, সেটাও পাশাপাশি দেখব, কারণ ইনজেশনের সমস্যা কেবল কোডে থাকে না, মাঠেও থাকে।

ক্রিকেটের ডেটা-অর্থনীতি যত দ্রুত লেজারের দিকে এগোচ্ছে, তত দ্রুত একটা প্রশ্ন সামনে আসছে: আমরা আর কতগুলো সুগঠিত ব্লক বৈধ বলে হ্যাশ করে রাখছি, যাদের ভেতরের ফিল্ড কখনোই ভরানো হয়নি?