ডেটা পাইপলাইনের নীরব সংকট: যখন ফুটবল বিশ্লেষণ ভুল দরজায় ঢোকে

রাত ২টার দিকে ফাইলটা খুললাম। বাংলাদেশ সময় অনুযায়ী সেটা ছিল অক্টোবরের ৪ তারিখ, সিলেটের জিন্দাবাজারের ফ্ল্যাটে বসে আমি একটা স্টেজ-২ বিশ্লেষণ প্রতিবেদনের দিকে তাকিয়ে আছি, যেখানে ডোমেইন লেবেল লেখা 'ফুটবল'। স্প্রেডশিট খুলে প্রথম যে জিনিসটা চোখে পড়ল, সেটা কোনো এক্সজি ম্যাপ নয়, কোনো প্রেসিং ট্র্যাপের ডায়াগ্রাম নয়, বরং একটা সম্পূর্ণ ভিন্ন জগতের ১৭টা ইনফরমেশন পয়েন্ট। অ্যামান্ডা সিফ্রেড, ফিল্ম ফেস্টিভ্যাল প্যানেল, অন-স্ক্রিন ইনটিমেসি নিয়ে মন্তব্য। ফাইলটা ফুটবল বলে দাবি করছে, কিন্তু ভেতরে ফুটবলের একটা অক্ষরও নেই।

২২ বছর ধরে ফুটবল দেখছি, লিখছি, ম্যাচ টেপ স্ক্রাব করছি, ডেটা ট্যাগ করছি। ইতিহাসে ঢুকলে দেখি, ফুটবল বিশ্লেষণের সবচেয়ে বড় শত্রু কখনোই ভুল পাস, ভুল ফরমেশন, বা দুর্বল স্কোয়াড ডেপথ ছিল না। আসল শত্রু ছিল ভুল প্রশ্ন। আমি যদি ভুল ম্যাচের টেপ নিয়ে বসি, ভুল দলের পাসিং নেটওয়ার্ক আঁকি, তাহলে বিশ্লেষণটা যতই নিখুঁত হোক, সেটা আবর্জনা। আজ যেটা দেখছি, সেটা ঠিক সেই শ্রেণির সমস্যা। তবে এবার সমস্যাটা ম্যাচ টেপে নয়, ডেটা পাইপলাইনে।

একটা ফিড আইটেম কীভাবে ফুটবল পাইপলাইনে ঢুকে পড়ল, সেটাই আজকের আসল বিশ্লেষণযোগ্য বিষয়। কারণ স্টেজ-১ লেবেল বলছে 'ফুটবল', কিন্তু ১৭টা তথ্যবিন্দুর প্রতিটা এন্টারটেইনমেন্ট/সেলিব্রিটি নিউজের। কোনো দল নেই, খেলোয়াড় নেই, কোচ নেই, প্রতিযোগিতা নেই, ম্যাচ নেই, ট্রান্সফার নেই, চুক্তি নেই। যদি আমি ছকে বসে থাকা নয়টা ডাইমেনশনের যেকোনো একটাতে জোর করে ফুটবল বিষয়বস্তু ঢোকাই, তাহলে সেটা বিশ্লেষণ হবে না, সেটা হবে বানানো গল্প। আর বানানো গল্প দিয়ে ফুটবল বিশ্লেষণের জগতে আমি কখনো নিজের নাম লেখাইনি।

স্টেজ-১ থেকে স্টেজ-২: কোথায় ছিঁড়ল তারটা

স্টেজ-১ ডিকনস্ট্রাকশন শেষে ১৭টা ইনফরমেশন পয়েন্ট বেরিয়েছে। আমি সেগুলো একবার স্ক্যান করলাম। এন্টারটেইনমেন্ট ইন্ডাস্ট্রির ভেতরের ব্যক্তিগত সীমানা, অভিনেত্রীর ক্যারিয়ার রিফ্লেকশন, পারিবারিক জীবনের মন্তব্য। এর মধ্যে ফুটবল-সংশ্লিষ্ট একটাও লাইন নেই। তার মানে ডোমেইন লেবেলটা যেখানে সেট হয়েছে, সেখানে একটা সিদ্ধান্ত ভুল হয়েছে। হয় অ্যালগরিদম, হয় কোনো হিউম্যান ট্যাগার, হয় ফিড কনফিগারেশনের কোনো পুরনো রুল, যেটা এই আইটেমটাকে 'ফুটবল' বলে চিহ্নিত করেছে।

আমার অভিজ্ঞতায় এই ধরনের ভুল সাধারণত তিন জায়গায় ঘটে। প্রথমত, কীওয়ার্ড-নির্ভর ক্লাসিফিকেশন, যেখানে 'প্যানেল', 'ডিক্লাইন', 'বাউন্ডারি' শব্দগুলো কোনো ফুটবল প্রসঙ্গের সাথে মিলে গেলে ভুল ট্যাগ বসে যায়। দ্বিতীয়ত, সিন্ডিকেশন ফিডের ডিফল্ট লেবেল, যেখানে কোনো সোর্স ক্যাটাগরি খালি থাকলে পুরনো ট্যাগ ধরে রাখা হয়। তৃতীয়ত, ম্যানুয়াল রিভিউয়ের সময় স্কিপিং, যেখানে লোড কমাতে গিয়ে নির্দিষ্ট উৎসের আইটেম বিনা যাচাইয়ে পাইপলাইনে ঢুকে পড়ে।

তিনটার যেটাই হোক, ফলাফল এক। একটা অ-ফুটবল আইটেম ফুটবল ডেটাসেটকে দূষিত করছে। আর ডেটাসেট দূষণ ফুটবল বিশ্লেষণে নতুন কিছু নয়। ২০১৮ বিশ্বকাপে আমি নিজেই ১৬৯ গোলের একটা গো-অরিজিন লেজার বানিয়েছিলাম, ১২টা ভেরিয়েবল দিয়ে। সেই লেজারের সবচেয়ে বড় পাঠ ছিল, ৪৩ শতাংশ গোল ওপেন-প্লে বিল্ড-আপ থেকে আসেনি, সেট পিস, পেনাল্টি আর সেকেন্ড বল থেকে এসেছে। কিন্তু যদি আমার ট্যাগিং সিস্টেম ভুলভাবে কোনো গোলকে 'ওপেন প্লে' বলে চিহ্নিত করত, তাহলে আমার পুরো মডেল ভুল উত্তর দিত, ভুল কনফিডেন্স নিয়ে।

ক্লাসিফিকেশন ভুলের খরচ: তিন স্তরের ক্ষতি

প্রথম স্তরটা তাৎক্ষণিক। যখন ভুল আইটেম পাইপলাইনে ঢোকে, স্টেজ-২ বিশ্লেষক সময় নষ্ট করেন। আমার ক্ষেত্রে সেটা প্রায় পুরো একটা বিশ্লেষণ চক্র। আমি নয়টা ডাইমেনশনের প্রতিটা ঘরে বসে খুঁজছি, ফুটবল কোথায় লুকিয়ে আছে। কিন্তু ফুটবল নেই। যে সময়টা একটা সত্যিকারের ট্রান্সফার ম্যাচ বিশ্লেষণে যেত, একটা রিলিজ ক্লজ স্ট্রাকচার বা ওয়েজ বিল ডিকনস্ট্রাকশনে যেত, সেটা একটা অস্তিত্বহীন বিষয়ের পিছনে চলে গেল।

দ্বিতীয় স্তরটা আরও গুরুতর। ভুল ক্লাসিফিকেশনের সবচেয়ে বড় ঝুঁকি হলো, বিশ্লেষক যখন বাধ্য হন বানানো বিষয়বস্তু তৈরি করতে। এখানেই মূল নীতিটা আসে। বিশ্লেষণের প্রতিটা ডাইমেনশন স্টেজ-১ তথ্যবিন্দুর উপর ভিত্তি করে দাঁড়াতে হবে। ফুটবল ফ্রেমওয়ার্কের নয়টা ডাইমেনশন যদি অপ্রযোজ্য হয়, তাহলে সেগুলোকে অপ্রযোজ্য বলাই সঠিক উত্তর। জোর করে ট্যাক্টিক্যাল সোফিস্টিকেশন, আর্থিক স্ট্রাকচার, ড্রেসিং-রুম হেলথ এসব বসানো মানে মিথ্যা ডেটা পাবলিশ করা।

আমি ২০২০ সালে বুন্দেসলিগার ৯২টা এম্পটি স্টেডিয়াম ম্যাচ ট্যাগ করেছি, মে ১৬ থেকে জুন ২৭ তারিখের মধ্যে। প্রতিটা হাই-প্রেস সিকোয়েন্স গুনেছি। সংখ্যা ১২.৪ থেকে ৯.৮-তে নেমেছিল প্রতি ৯০ মিনিটে। এই ট্যাগিং কাজটা আমি করেছি, কারণ আমি জানতাম, ডেটা যদি আমি নিজে যাচাই না করি, কেউ করবে না। কিন্তু আমার নিজেরও একটা সীমা থাকতে হবে। আমি বলতে পারি না ৯২টা ম্যাচে যা ঘটেছে, সেটা ৯২টা ম্যাচের বাইরে কী ঘটে তার প্রমাণ। একইভাবে, আমি বলতে পারি না একটা এন্টারটেইনমেন্ট আইটেমের ১৭টা পয়েন্ট থেকে ফুটবল ট্যাক্টিক্স নিয়ে সিদ্ধান্ত বেরোবে।

তৃতীয় স্তরটা দীর্ঘমেয়াদি। যদি পাইপলাইনে নিয়মিতভাবে ভুল ডোমেইন আইটেম ঢুকতে থাকে, তাহলে ডেটাসেটের বিশ্বাসযোগ্যতা ধীরে ধীরে ক্ষয় হয়। একজন পাঠক যখন দেখবেন, কোনো বিশ্লেষণে ফুটবল বিষয়বস্তুর বদলে সেলিব্রিটি মন্তব্যে ভর করা ট্যাক্টিক্যাল থিওরি আছে, তখন তিনি পরের বিশ্লেষণটাও সন্দেহ করবেন। বিশ্বাস ফিরিয়ে আনতে অনেক সময় লাগে, হারাতে একটাই ভুল যথেষ্ট।

কাউন্টার-ইনটুইটিভ পাঠ: ডেটা কোয়ালিটি আসল ট্যাক্টিক্স

এখানেই আমার সবচেয়ে বড় কাউন্টার-ইনটুইটিভ পর্যবেক্ষণ আসে। ফুটবল বিশ্লেষণ নিয়ে আমরা যখন কথা বলি, আমরা ফরমেশন, প্রেসিং, পাসিং নেটওয়ার্ক, হাফ-স্পেস এক্সপ্লয়টেশন এইসব নিয়ে কথা বলি। কিন্তু একটা বিশ্লেষণ পণ্যের গুণমান নির্ধারিত হয় তার সবচেয়ে কম রোমাঞ্চকর অংশ দিয়ে, সেই অংশটা হলো ডেটা ইনটেক এবং ভ্যালিডেশন।

ভেবে দেখুন। কনটে'র চেলসি ৩-৪-৩ টটেনহ্যামের ব্যাক ফোরকে সেস্ক ফ্যাব্রিগাসের ডায়াগোনাল দিয়ে কীভাবে ওভারলোড করল, সেই বিশ্লেষণ আমি ২৪০০ শব্দে লিখেছিলাম ২০১৭ সালে, এবং নয় দিনে ৪৭ হাজার পড়া পেয়েছিল। সেই লেখাটার মূল্য যেখানে, সেখানে আমার আজকের আবিষ্কার হলো, একটা ফিড আইটেম ভুল লেবেলে ঢুকেছে। খুব সাধারণ ব্যাপার মনে হতে পারে। কিন্তু সবচেয়ে বিপজ্জনক বিশ্লেষণ ত্রুটি সাধারণত ট্যাক্টিক্যাল ভুল নয়, গঠনগত ভুল।

আমি জিন্দাবাজারের দুই রুমের ফ্ল্যাট থেকে যা শিখেছি, তা হলো মাঠ একটা বাক্য, আর স্প্রেডশিট একজন সৎ সাক্ষী। কিন্তু সাক্ষীর সততাও নির্ভর করে সে কী দেখছে তার উপর। ভুল ঘরে দাঁড়ানো সাক্ষী যতই সৎ হোক, তার সাক্ষ্য ভুল হবে। ফুটবল পাইপলাইনের ক্ষেত্রেও একই। ভুল ডোমেইনের ডেটা সঠিকভাবে প্রসেস করলে, সঠিকভাবে ভুল উত্তরই বেরোবে।

আমার ২০১৮ সালের গোল লেজার এখনও চলছে। প্রতি টুর্নামেন্টে আমি গোলের উৎস ট্যাগ করি। কখনো কখনো একটা গোল দুইবার ট্যাগ হয়, একবার সেট পিস, একবার সেকেন্ড বল, কারণ দুটোই সত্য। কিন্তু একটা জিনিস আমি কখনো করি না। আমি কখনো এমন কোনো ঘটনাকে গোলের উৎস হিসেবে চিহ্নিত করি না, যেটা মাঠে ঘটেনি। ফুটবলে আমি যা দেখি, সেটাই ট্যাগ করি। ডেটা পাইপলাইনে ঠিক একই নিয়ম হওয়া উচিত। যা ফুটবল, সেটাই ফুটবল।

ভবিষ্যতের যাচাই: পরের ম্যাচে আমরা কী দেখব

সাক্ষী ভুল করে ফেলেছে। কিন্তু সাক্ষীকে দোষ দেওয়ার আগে প্রশ্ন হলো, তাকে ভুল ঘরে দাঁড় করাল কে। এই কেসটা আসলে ফুটবল বিশ্লেষণের জন্য একটা উপহার। কারণ এটা দেখায়, স্টেজ-২ বিশ্লেষণের আগে একটা ডোমেইন-কনসিস্টেন্সি গেট থাকা কতটা জরুরি। প্রতিটি ইনকামিং আইটেমে ডোমেইন লেবেল আর কনটেন্টের মধ্যে একটা মিল আছে কি না, সেই চেক যদি ব্যর্থ হয়, বিশ্লেষণের জন্য প্রোফাইল ছাড়া এগোনো উচিত নয়।

পরের ম্যাচে আমি কী দেখতে চাই। যদি এই ফিডটা আবার কোনো অ-ফুটবল আইটেম 'ফুটবল' লেবেল দিয়ে পাঠায়, তাহলে ধরে নিতে হবে সমস্যাটা একক নয়, সিস্টেমিক। তখন মূল প্রশ্ন হলো, ক্লাসিফায়ারের ট্রেনিং ডেটা, ফিডের ট্যাগিং রুল, বা রিভিউ প্রসেস, কোথায় দুর্বল। এই তিনটার কোনোটাই ফুটবল ম্যাচে স্কোরলাইনের মতো সরাসরি দৃশ্যমান নয়। কিন্তু একটা ভুল ডোমেইন লেবেল সেটা প্রমাণ করে, অদৃশ্য জায়গাতেই আসল ম্যাচটা হচ্ছে।

২২ বছর ধরে আমি ফুটবল দেখছি। আমি জানি, ৯২টা খালি স্টেডিয়ামও একটা আকার ধারণ করে। নীরবতা নিজের ভাষায় কথা বলে। আজকের এই ভুল ক্লাসিফিকেশনটাও একইভাবে নীরব, কিন্তু তার ভাষা স্পষ্ট। ফুটবল বিশ্লেষণের ভবিষ্যত নির্ভর করছে আমরা শুধু মাঠের খেলা কতটা ভালো বুঝি তার উপর নয়, বরং মাঠের বাইরের ডেটা কতটা ভালোভাবে বাছি তার উপর। যে বিশ্লেষক ডেটার সততা নিয়ে প্রশ্ন করেন না, তিনি আসলে কোনো বিশ্লেষণই করছেন না।

স্প্রেডশিট মিথ্যা বলে না। কিন্তু স্প্রেডশিট তখনই সত্য বলে, যখন আপনি তাকে সঠিক ঘরে দাঁড় করান। ভুল ঘরের স্প্রেডশিট, ভুল ডোমেইনের ফাইল, এবং ভুল প্রশ্ন, এই তিনটাই একই রোগের নামান্তর। আর ফুটবল বিশ্লেষণের ইতিহাসে যত ভুল সিদ্ধান্ত এসেছে, তার বড় অংশ এসেছে ভুল প্রশ্ন থেকে, ভুল জবাব থেকে নয়।