পূজার গাউন, ক্রিকেটের লেবেল: স্পোর্টস ডেটা পাইপলাইনে ভুল শ্রেণীবিভাগের সংকট

গত সপ্তাহে রাত সাড়ে এগারোটায় একটি ফটো-ক্যাপশন আমার ফিডে ভেসে ওঠে—অভিনেত্রী মন্দিরা চক্রবর্তীর পূজার গাউন, ছবি নম্বর সাত, মেরুন রঙের কাট, সোনালি গয়নার স্তর, আর ক্যাপশনের শেষে লেখা: "I don't follow the spotlight, I become it." স্বাভাবিক একটি সেলিব্রিটি-স্টাইলিং পোস্ট, দুর্গাপূজার আগের সেই উত্তেজনাময় সন্ধ্যাগুলোর একটি। কিন্তু তার ঠিক নিচে যে ট্যাগটি বসানো ছিল, সেটি ছিল cricket_asia।

সেই রাতে আমি আর ঘুমাতে পারিনি। কারণ সমস্যাটা কোনো একটি পোস্টের নয়—সমস্যাটা একটি সিস্টেমের। আর যে সিস্টেমটি এই ভুল করছে, সেই সিস্টেমটিই আজ দক্ষিণ এশিয়ার স্পোর্টস মিডিয়ার রক্তচলাচল নিয়ন্ত্রণ করছে। আমি সাংবাদিকতা শিখেছি ম্যাচ রিপোর্ট দিয়ে, কিন্তু আজ আমার সবচেয়ে বড় উদ্বেগ ম্যাচ নিয়ে নয়—আমার উদ্বেগ সেই অদৃশ্য পাইপলাইন নিয়ে, যেটি ঠিক করে দেয় কোন লেখাটি ক্রিকেট খবর আর কোনটি নয়।

এখনকার স্পোর্টস মিডিয়া পাইপলাইন কীভাবে চলে, সেটা বোঝা জরুরি। প্রতি মিনিটে হাজারো আর্টিকেল, রিল, ফটো-কার্ড, পডকাস্ট ট্রান্সক্রিপ্ট সিস্টেমে ঢোকে। সেগুলোকে স্বয়ংক্রিয়ভাবে শ্রেণীবিভাগ করতে ব্যবহৃত হয় কীওয়ার্ড কো-অকুরেন্স, এমবেডিং-ভিত্তিক সাদৃশ্য মাপ, আর হালকা ভাষা-মডেল। "ক্রিকেট", "এশিয়া", "টিম", "সিরিজ"—এই শব্দগুলো একসঙ্গে দেখা গেলে সিস্টেম ধরে নেয়, এটি ক্রিকেট-সংক্রান্ত কনটেন্ট। সমস্যা হলো, দক্ষিণ এশিয়ায় এই শব্দগুলো অনেক সময় কেবল ভৌগোলিক ও সাংস্কৃতিক কারণেই পাশাপাশি বসে যায়।

মন্দিরা চক্রবর্তীর নিবন্ধটির দিকে তাকান। সেখানে ছিল না কোনো ম্যাচ—না ফরম্যাট, না ইনিংস, না ফলাফল। ছিল না কোনো ক্রিকেটার—না ব্যাটিং গড়, না বোলিং ইকোনমি। ছিল না কোনো দল, কোনো র‍্যাঙ্কিং, কোনো লিগ লেনদেন, কোনো নিয়ম-শাসন। ছিল শুধু দুর্গাপূজার ক্যালেন্ডার—মহালয়া, ষষ্ঠী, পূজা—আর একটি বাংলা নাম। এই উপাদানগুলোর ভৌগোলিক ও ভাষাগত ঘনিষ্ঠতাই পাইপলাইনে cricket_asia লেবেলটি বসিয়ে দিয়েছে।

এখানে একটি গুরুত্বপূর্ণ প্রসঙ্গ যোগ করা দরকার। Stage-1 নামের যে প্রাথমিক স্তরটি কাঁচা কনটেন্ট সংগ্রহ করে, সেটি মূলত গতি ও পরিমাণের দিকে তাকায়; Stage-2 নামের স্তরটি গভীর বিশ্লেষণ করে। এই দুই স্তরের মাঝখানে যদি কোনো বিষয়-যাচাই না থাকে, তবে Stage-1-এর যেকোনো ভুল লেবেল Stage-2-এর গোটা বিশ্লেষণকে দূষিত করে দিতে পারে। মন্দিরা চক্রবর্তীর ক্ষেত্রে ঠিক সেটাই হয়েছে—Stage-1 একটি ভুল লেবেল বসিয়েছে, আর Stage-2 সেই ভুল লেবেলের উপর দাঁড়িয়ে একটি সম্পূর্ণ বিশ্লেষণ-কাঠামো তৈরি করেছে, যার প্রতিটি ঘর শেষ পর্যন্ত "প্রযোজ্য নয়" লিখে ভরতে হয়েছে।

২০১৮ সালে যখন আমি দৈনিক স্টার-এর স্পোর্টস ডেস্কে কাজ শুরু করি, তখন কনটেন্ট ট্যাগিং হতো মানুষের হাতে। একজন সাব-এডিটর ভুল ট্যাগ বসালে সেটি পরের ধাপেই ধরা পড়ত, কারণ পাশে বসে থাকা আরেকজন মানুষ সেটি দেখে ফেলত। আজ সেই মানুষটির জায়গায় বসেছে একটি মডেল, আর তার হাতে নেই কোনো সংশোধনের স্বাধীনতা। ২০১৭ সালে অনূর্ধ্ব-১৭ বিশ্বকাপে ভারতের একটি ম্যাচ দেখে আমি যখন প্রথম আমার ব্লগ "দ্য কাউন্টার-প্রেস" শুরু করি, তখন থেকেই আমার একটি নীতি ছিল—প্রতিটি দাবির পেছনে অন্তত একটি নির্দিষ্ট পরিসংখ্যান থাকতে হবে। আজ সেই একই নীতি আমি ডেটা পাইপলাইনের ক্ষেত্রে প্রয়োগ করতে চাই: প্রতিটি cricket লেবেলের পেছনে অন্তত একটি নির্দিষ্ট ক্রিকেট-সত্তা থাকতে হবে।

এই ঘটনার মূল শিক্ষা হলো: একটি লেবেল ততক্ষণ অর্থহীন, যতক্ষণ না সেটিকে সমর্থন করার জন্য ডেটাসেটে অন্তত একটি সত্যিকারের ক্রিকেট-সত্তা উপস্থিত থাকে। ডেটা-বিজ্ঞানের ভাষায় এর নাম ডোমেইন গেট—এমন একটি যাচাইকরণ ধাপ, যা কোনো কনটেন্টকে একটি বিষয়ভিত্তিক ডেটাসেটে ঢোকার অনুমতি দেয় কেবল তখনই, যখন সেটি ন্যূনতম বিষয়গত শর্ত পূরণ করে। ক্রিকেটের ক্ষেত্রে সেই শর্তটি সরল: একটি দল, একটি খেলোয়াড়, একটি ম্যাচ, একটি টুর্নামেন্ট বা একটি নিয়ম—এই পাঁচটির অন্তত একটি স্পষ্টভাবে উপস্থিত থাকতে হবে। মন্দিরা চক্রবর্তীর নিবন্ধে এই পাঁচটির একটিও নেই। তবু সেটি ক্রিকেট ডেটাসেটে ঢুকে পড়েছে।

এখানেই ঘটে যায় দ্বিতীয় বিপত্তিটি—এনটিটি পলিউশন। এনটিটি পলিউশন মানে হলো একটি সুনির্দিষ্ট সত্তা-তালিকা, যেমন ক্রিকেটারদের তালিকা, তার মধ্যে বাইরের বিষয়ের সত্তা ঢুকে পড়া। আজ যদি একজন অভিনেত্রীর নাম ক্রিকেট-এনটিটি সূচকে ঢুকে পড়ে, তবে কাল সেই নাম ঘিরে তৈরি হতে পারে ভুল গতি-বিশ্লেষণ, ভুল জনপ্রিয়তা-সংকেত, এমনকি ভুল ফ্যান্টাসি-স্কোরিং ইঙ্গিত। একটি ভুল লেবেল কখনো একা থাকে না; কয়েক সপ্তাহের মধ্যে সেটি একটি ভুল সত্যে পরিণত হয়।

আমি ২০২০ সালে খালি স্টেডিয়ামের ডেটা-ল্যাব নিয়ে কাজ করেছিলাম। জার্মানির প্রথম করোনা-পরবর্তী সপ্তাহে দেখেছিলাম, হোম-অ্যাডভান্টেজ প্রতি ম্যাচে শূন্য দশমিক পঁয়ত্রিশ গোল থেকে নেমে এসেছিল শূন্য দশমিক বারোতে। সেই বিশ্লেষণ ভাইরাল হয়েছিল কারণ ডেটাটি পরিষ্কার ছিল। কিন্তু ভাবুন তো—যদি সেই ডেটাসেটেই একটি ফ্যাশন-পোস্ট ঢুকে পড়ত, তবে সেই সূচকটির উপর সাধারণ মানুষের ভরসা কতটা কমে যেত? দক্ষিণ এশিয়ার ক্রিকেট অ্যানালিটিক্স আজ ঠিক এই ঝুঁকির মুখোমুখি। সেন্টিমেন্ট-সূচক, প্লেয়ার-ফ্রিকোয়েন্সি, ফ্যান্টাসি-মডেল—সবই এমন ফিড থেকে পুষ্ট হয়, যেখানে একটি ভুল লেবেল পুরো হিসাব নষ্ট করে দিতে পারে।

Stage-2 বিশ্লেষণে যে ঝুঁকি-ম্যাট্রিক্সটি উঠে এসেছে, সেটি আমার কাছে সবচেয়ে গুরুত্বপূর্ণ অংশ। খেলাধুলার ঝুঁকি—চোট, ওয়ার্কলোড, চুক্তি—এখানে শূন্য। কিন্তু ডেটা-সিস্টেমের ঝুঁকি সর্বোচ্চ স্তরে। কারণটি স্পষ্ট: যখন অ-ক্রিকেট কনটেন্ট ক্রিকেট লেবেল পায়, তখন ক্ষতিটি কোনো একক প্রতিবেদনের নয়—ক্ষতিটি গোটা ডেটাসেটের বিশ্বাসযোগ্যতার। আর এই বিশ্বাসযোগ্যতা একবার ভাঙলে সেটি মেরামত করা যায় না কেবল একটি সংশোধনী নোট দিয়ে।

আরও একটি দিক আছে, যা সাধারণত এড়িয়ে যাওয়া হয়। ক্রিকেট ডেটার একটি বড় অংশ ব্যবহৃত হয় ভবিষ্যদ্বাণীমূলক মডেলে—কোন খেলোয়াড় ফর্মে, কোন দলের গভীরতা কত, কোন সিরিজে কে এগিয়ে। যদি সেই মডেলের খাদ্যেই ভুল কনটেন্ট ঢুকে পড়ে, তবে ভুলটি কেবল একটি লেখায় সীমাবদ্ধ থাকে না; সেটি ছড়িয়ে পড়ে প্রতিটি পূর্বাভাসে, প্রতিটি র‍্যাঙ্কিংয়ে, প্রতিটি বিশ্লেষণী প্রতিবেদনে। অর্থাৎ, একটি ফ্যাশন-পোস্টের ভুল লেবেল শেষ পর্যন্ত একটি ভুল ক্রিকেট-পূর্বাভাসে পরিণত হতে পারে।

এখানেই ব্লকচেইন-ভিত্তিক ডেটা-প্রমাণের প্রশ্নটি আসে। আজকের পাইপলাইনে কনটেন্ট কোথা থেকে এল, কে লেবেল বসাল, কখন সংশোধন হলো—এর কোনো অপরিবর্তনীয় রেকর্ড নেই। একটি বিতরণকৃত লেজার যদি প্রতিটি কনটেন্টের হ্যাশ, তার উৎস, তার লেবেলিংয়ের সময়-ছাপ এবং সংশোধনের ইতিহাস সংরক্ষণ করে, তবে একটি ভুল শ্রেণীবিভাগ কখনো গোপনে টিকে থাকতে পারত না। প্রশ্নটি অবশ্য কেবল প্রযুক্তির নয়। ব্লকচেইন প্রমাণ দিতে পারে, একটি লেবেল কে, কখন, কোন যুক্তিতে বসিয়েছে; সে প্রমাণ দিতে পারে না, লেবেলটি সঠিক। অর্থাৎ, লেজার হলো একটি আয়না—সে দেখায় সিস্টেমটি কী করেছে, কিন্তু সে সিস্টেমের বিচার করে না।

এই ভুলের একটি অর্থনৈতিক স্তরও আছে, যা সংখ্যার চেয়েও বড়। ক্রিকেট মিডিয়ার সম্পূর্ণ ব্যবসায়িক মডেল—ব্রডকাস্ট স্বত্ব, স্পনসরশিপ, ফ্যান্টাসি-প্ল্যাটফর্ম, ডেটা-লাইসেন্সিং—দাঁড়িয়ে আছে একটি প্রতিশ্রুতির উপর: এই ডেটা ক্রিকেট সম্পর্কে। বিনোদন-মিডিয়ার ব্যবসা সম্পূর্ণ ভিন্ন একটি ভিত্তির উপর দাঁড়িয়ে—দর্শকের মনোযোগ আর তারকা-কেন্দ্রিক আকর্ষণ। যখন এই দুটি জগতের কনটেন্ট একই লেবেলে মিশে যায়, তখন যে প্রতিষ্ঠান ক্রিকেট-ডেটার নির্ভুলতার উপর অর্থ বিনিয়োগ করেছে, সে ক্ষতিগ্রস্ত হয় সবচেয়ে বেশি। অর্থনীতির ভাষায় এটি এক ধরনের বাহ্যিকতা—একটি পাইপলাইনের ভুলের খরচ চাপে অন্যদের ঘাড়ে।

এখন সেই অংশটি, যেখানে আমি নিজের যুক্তির বিরুদ্ধে দাঁড়াই। আমি এতক্ষণ বলেছি, ডোমেইন গেট আর ব্লকচেইন-প্রমাণ এই সংকটের সমাধান। কিন্তু একটি পাল্টা প্রশ্ন তোলা জরুরি: এই ভুলটি কি সত্যিই একটি প্রযুক্তিগত ব্যর্থতা, নাকি এটি একটি সাংস্কৃতিক সত্যের প্রকাশ? দক্ষিণ এশিয়ায় ক্রিকেট আর উৎসব একে অন্যের থেকে আলাদা নয়। পূজার মরশুমে ক্রিকেট-আড্ডা, ক্রিকেট-বিজ্ঞাপন, ক্রিকেট-তারকাদের শুভেচ্ছাবার্তা—সব মিলেমিশে যায়। ২০২২ সালে কাতার বিশ্বকাপে মরক্কোর সেমিফাইনাল-যাত্রা যখন আমি ক্যাম্পাসের ডরমিটরি থেকে কাভার করছিলাম, তখন দেখেছি, ফুটবল আর উত্তর আফ্রিকার সাংস্কৃতিক পরিচয় কীভাবে অবিচ্ছেদ্য হয়ে যায়। দক্ষিণ এশিয়ায় ক্রিকেট ঠিক তেমনই। যদি দুই জগৎ সত্যিই এতটা মিশে থাকে, তবে একটি শ্রেণীবিভাগকারী মডেলের পক্ষে সীমারেখা টানা কঠিন হবে—এবং সেটি মডেলের দোষ নয়, বাস্তবতার জটিলতা।

দ্বিতীয় পাল্টা যুক্তি আরও কঠিন। আমি যদি প্রতিটি cricket লেবেলের পেছনে একটি ক্রিকেট-সত্তা বাধ্যতামূলক করি, তবে কী হবে সেই সীমান্ত-অঞ্চলের কনটেন্টগুলোর—যেমন একটি সাক্ষাৎকার, যেখানে একজন ক্রিকেটার তার প্রিয় উৎসব নিয়ে কথা বলেন? সেখানে সত্তা আছে, কিন্তু বিষয়বস্তু মূলত সাংস্কৃতিক। কঠোর গেট সেখানেও ভুল করবে—শুধু অন্য দিকে। মানে, কোনো একক নিয়ম এই সমস্যার সম্পূর্ণ সমাধান নয়। (Root: 2026 empty stadiums + data lab | Scenario: reading a pipeline failure as a data-story, not a crime story।)

তাই আমার প্রস্তাব দ্বিস্তরীয়। প্রথম স্তরটি প্রযুক্তিগত: ডোমেইন গেট, আলাদা এনটিটি-রেজিস্ট্রি, আর লেবেলিংয়ের অপরিবর্তনীয় রেকর্ড। দ্বিতীয় স্তরটি মানবিক: একটি সম্পাদকীয় পুনর্মূল্যায়ন প্রক্রিয়া, যেখানে সংশোধনের ক্ষমতা মডেলের হাতে নয়, মানুষের হাতে। আমি সাংবাদিকতা শিখেছি মানুষের হাতে কলম ধরেই; আমি জানি, কোনো মডেল তার নিজের ভুল ধরতে পারে না, যদি না তাকে তা ধরার জন্য আলাদা করে তৈরি করা হয়।

এই ঘটনার একটি নীরব শিক্ষা আছে। Stage-2 বিশ্লেষণ শেষ পর্যন্ত একটি সৎ সিদ্ধান্তে পৌঁছেছে—সেটি ক্রিকেট নয়, সেটি বিনোদন। এটি একটি ভালো সংকেত, কারণ এটি দেখায়, গভীর বিশ্লেষণ স্তরটি অন্তত নিজের সীমাবদ্ধতা চিনতে পারে। কিন্তু সিস্টেমের গোড়ায় বসে থাকা Stage-1 স্তরটি যদি একই সততা না দেখায়, তবে প্রতিটি Stage-2 বিশ্লেষণই একটি ভুল প্রশ্নের সৎ উত্তর হয়ে থেকে যাবে।

বিশ্বাসযোগ্যতার প্রশ্নে আমি রক্ষণশীল। কেউ যদি জিজ্ঞেস করেন, একটি ফ্যাশন-পোস্ট কি ক্রিকেট ডেটাসেটে থাকতে পারে, আমার উত্তর সরল—থাকতে পারে না, অন্তত লেবেলের নামে নয়। কারণ একটি লেবেল কেবল একটি শব্দ নয়; সেটি একটি প্রতিশ্রুতি। cricket_asia লেবেলটি পাঠককে প্রতিশ্রুতি দেয়, এই লেখাটি ক্রিকেট সম্পর্কে। যখন সেই প্রতিশ্রুতি ভাঙে, তখন ক্ষতিটি পাঠকের বিশ্বাসের।

আমি জানি, অনেকেই বলবেন, একটি ভুল ট্যাগ নিয়ে এত আলোচনা বাড়াবাড়ি। আমি তাঁদের বলব, একটি ভুল ট্যাগ কখনোই কেবল একটি ট্যাগ থাকে না—সেটি একটি অভ্যাসে পরিণত হয়, আর অভ্যাস একটি মানদণ্ডে পরিণত হয়। আজ যদি একটি পূজার গাউন ক্রিকেট লেবেল পায়, কাল সেটির ভিত্তিতেই কেউ একটি ক্রিকেট-বিশ্লেষণ লিখতে পারে—আর সেটি হবে আরও বড় ক্ষতি, কারণ সেখানে ভুলটি আর ধরা পড়বে না।

তাই প্রশ্নটি এই নয়, কে ভুল করল; প্রশ্নটি এই—সিস্টেমটি তার ভুল ধরার ক্ষমতা রাখে কি না। ইতিহাস বলে, যে সিস্টেম তার নিজের ভুল ধরতে পারে না, সে শেষ পর্যন্ত তার নিজের সত্যকেও চিনতে পারে না। আর আমি সাংবাদিকতায় ঢুকেছিলাম ঠিক সেই সত্যটি খোঁজার জন্য।

আমি ট্রান্সফার গুজব পড়া বন্ধ করেছিলাম যেদিন বুঝলাম, সেগুলো খবর নয়, আয়না। আজ ঠিক তেমনি, আমি ডেটা-লেবেল পড়া বন্ধ করছি না—আমি শুধু জিজ্ঞেস করতে শুরু করেছি: এই লেবেলের পেছনে কে দাঁড়িয়ে আছে? যদি উত্তর হয় "কেউ না", তবে সেটি ক্রিকেট নয়—সেটি কেবল একটি ভুল, যা নিজেকে খবর বলে দাবি করছে। I didn't break the script; they taught us how to read it sideways.

এখন প্রশ্ন হলো, এই ঘটনা থেকে ক্রিকেট-সাংবাদিকতার ভবিষ্যৎ কী শিখবে? আমার পূর্বাভাস সরল, এবং এটি যাচাইযোগ্য: আগামী আঠারো মাসের মধ্যে, দক্ষিণ এশিয়ার বড় স্পোর্টস মিডিয়া সংস্থাগুলো তাদের পাইপলাইনে "ভুল শ্রেণীবিভাগের হার" নামে একটি নতুন সূচক যোগ করবে—যেমন একসময় তারা যোগ করেছিল ফ্যাক্ট-চেকিংয়ের সময়। কারণ যতদিন এই সূচকটি না থাকবে, ততদিন একটি পূজার গাউন নিঃশব্দে ক্রিকেট ডেটাবেসে বাসা বাঁধতে থাকবে—আর আমরা বিশ্বাস করব, সেটিও একটি ক্রিকেট খবর।