খালি টেবিলের সাক্ষ্য: ক্রিকেট এশিয়া পাইপলাইনের প্রথম ধাপেই যেখানে সব থেমে গেল

গত সপ্তাহে আমার ডেস্কে একটা টেবিল এল। এগারোটা সারি, দু'টো কলাম। বাঁ দিকের কলামে ফিল্ডের নাম—Title, Source, Article type, Domain label, One-sentence summary, Author stance, Article purpose, Information points, Entities, Time sensitivity, Source quality। ডান দিকের কলামে উত্তর। এগারোটা সারির মধ্যে ছ'টায় লেখা N/A, দু'টোয় লেখা 'not assessed', একটায় লেখা 'unclassified', একটায় লেখা 'none listed'। আর ঠিক একটিমাত্র সারিতে একটা সত্যিকারের শব্দ আছে: cricket_asia।

আমি শট ম্যাপের নেগেটিভ স্পেসে লো ব্লক খুঁজে পেয়েছি—কিন্তু জীবনে প্রথমবার এমন একটা ম্যাপ দেখলাম যেখানে পুরো মাঠটাই নেগেটিভ স্পেস। এগারোটা ঘর, একটা আলো। এটা কোনো প্রতিবেদনের সারসংক্ষেপ নয়। এটা একটা সিস্টেমের এক্স-রে, যেখানে ফুসফুস দেখা যাচ্ছে না, শুধু ফ্রেমটা দেখা যাচ্ছে।

আমি বহু বছর ধরে ক্রিকেটকে মডেল বানিয়ে পড়ি। একটা নিয়ম মেনে চলি—তিনটি স্বতন্ত্র সূত্র মিললেই একটা দাবি লিপিবদ্ধ করি। আজ যেটা সামনে আছে, সেটা কোনো দাবি নয়। এটা একটা দাবির অনুপস্থিতি, এবং সেই অনুপস্থিতি এতটাই সুনির্দিষ্ট যে সেটাই আমার আজকের বিষয়।

কনটেক্সট

ক্রিকেট বিশ্লেষণের কাজটা আসলে দু'ভাগে ভাগ করা যায়—যা মাঠে ঘটেছে, আর যা আমরা তার সম্পর্কে জানতে পেরেছি। এই দুইয়ের মধ্যে একটা পাইপলাইন বসানো থাকে। প্রথম ধাপে কাঁচামাল ঢোকে: একটা ম্যাচ রিপোর্ট, একটা বোর্ডের বিবৃতি, একটা সিরিজের সময়সূচি। দ্বিতীয় ধাপে সেখান থেকে পরমাণু-তথ্য বের করা হয়—কোন তারিখে, কে বলেছে, কী প্রেক্ষিতে, কোন সূত্রে। তৃতীয় ধাপে সেই পরমাণুগুলো জোড়া লাগিয়ে গঠন দাঁড় করানো হয়। তারপর আসে বিশ্লেষণ, এবং সবার শেষে লেখা।

২০১৭ সালে, উনিশ বছর বয়সে, জাকার্তায় অর্থনীতির ছাত্র থাকতে আমি লিগা ১-এর ১,১৪০টি শট হাতে ট্যাগ করেছিলাম। একটা গুগল শিটে xG মডেল দাঁড় করিয়েছিলাম। তাতে দেখা গেল, চ্যাম্পিয়ন ভায়াংকারা এফসি তাদের xG-এর চেয়ে ৯.৭ গোল বেশি করেছে। সংখ্যাটা চমকপ্রদ ছিল, কিন্তু আমার আসল শিক্ষা অন্য জায়গায়—সেই ১,১৪০টি শটের প্রতিটার পেছনে একটা নির্দিষ্ট মিনিট, একটা নির্দিষ্ট স্কোরলাইন, একটা নির্দিষ্ট ডিফেন্ডারের অবস্থান ছিল। কোনো শট অনাথ ছিল না। কোনো শট 'N/A' ছিল না।

২০১৮ সালে রাশিয়া বিশ্বকাপের চৌষট্টিটি ম্যাচের PPDA আর ফিল্ড টিল্ট হিসাব করতে গিয়ে দেখলাম, ফ্রান্স নকআউটের প্রতি ম্যাচে মাত্র ০.৮২ xG বরাদ্দ করেছে প্রতিপক্ষকে। এখানেও একই কথা—প্রতিটা সংখ্যার পেছনে একটা বর্ণনাযোগ্য ঘটনা আছে। ডেটাবেস খেলাটিকে প্রতিস্থাপন করেনি; সে খেলাটিকে অনুবাদ করেছে। অনুবাদের শর্ত হলো মূল পাঠটা থাকা। মূল পাঠ না থাকলে অনুবাদ নয়, অনুমান।

২০২০ সালে, যখন স্টেডিয়ামগুলো খালি আর লাইভ ডেটা নেই, আমি লিগা ১-এর ২০১৬ থেকে ২০১৯ পর্যন্ত ১,৮০০ জন খেলোয়াড়ের রেকর্ড স্ক্র্যাপ করেছিলাম—মিনিট, বয়স, xG, আর ফাঁস হওয়া বেতন। সেই মডেল সাতটি ক্লাবকে দেউলিয়ার ঝুঁকিতে চিহ্নিত করেছিল; আঠারো মাসের মধ্যে তাদের তিনটি অবনমিত হলো বা কার্যক্রম বন্ধ করল। খালি স্টেডিয়ামের নীরবতা আমার সবচেয়ে জোরালো ডেটাসেট হয়ে উঠেছিল—কিন্তু সেটা কাজ করেছিল, কারণ প্রতিটি সারির পেছনে একটা যাচাইযোগ্য মূল ছিল।

এখন এই এগারো-সারির টেবিলটা ধরুন। এখানে ঠিক উল্টোটা ঘটেছে। প্রথম স্তর—সোর্স রেজল্যুশন—সম্পূর্ণ ফাঁকা। শিরোনাম নেই, আউটলেট নেই, প্রকাশের তারিখ নেই। মানে হলো, যে নথিটিকে বিশ্লেষণ করার কথা, সেটি হয় আনা হয়নি, নয়তো পড়া হয়নি, নয়তো পড়া গেলেও বোঝা যায়নি। এর পরের সবকিছু সেই শূন্যের ওপর দাঁড়িয়ে আছে।

শূন্য থেকে যা কিছু দাঁড়ায় না

দ্বিতীয় সারির দিকে তাকান: Information points—'none listed'। এটাই আসল ভাঙনের বিন্দু। একটা কনটেন্ট পাইপলাইনে পরমাণু-তথ্য আহরণ (atomic extraction) হলো সেই স্তর, যেখানে গদ্য থেকে বলা-বাক্য আলাদা করা হয়। একটা রাজনৈতিক বিশ্লেষণ আর একটা ম্যাচ রিপোর্টের পার্থক্য এখানেই নির্ধারিত হয়—রিপোর্টে থাকে স্কোর, উইকেট, ওভার, মাঠ, তারিখ; রাজনীতিতে থাকে বিবৃতি, সভা, সিদ্ধান্ত, ক্ষমতার সম্পর্ক। যখন এই স্তর শূন্য ফেরত দেয়, তখন তার উপর নির্ভরশীল প্রতিটি ফিল্ড আপনাকে বাধ্য হয়ে শূন্য ফেরত দেয়। এটা কোনো ভুল নয়, এটা গণিত।

তৃতীয় সমস্যাটা আরও সূক্ষ্ম এবং আমার মতে আরও গুরুত্বপূর্ণ। স্কিমার ভেতরে দু'টো ফিল্ড আছে যেগুলো অন্য ফিল্ডের সাপেক্ষে সংজ্ঞায়িত—Entities-এ লেখা, 'identify from the information points above', আর Source quality-এ লেখা, 'judge from the source fields of the information points'। কিন্তু উপরে কোনো information point নেই। মানে এই দু'টো ফিল্ড কখনোই স্বয়ংক্রিয়ভাবে পূরণ হতে পারবে না—এমনকি নিখুঁত পাইপলাইনেও না, যদি না ইনপুট শূন্য হয়। এটা extraction-এর ব্যর্থতা নয়, এটা schema ডিজাইনের একটা স্ট্রাকচারাল ফাঁদ: এমন দু'টো ফিল্ড বানানো হয়েছে যাদের নিজস্ব কোনো স্বতন্ত্র প্রমাণভিত্তি নেই। আমি যদি আমার নিজের ভ্যালুয়েশন মডেলেও এমন কোনো ইনপুট রাখতাম যার মান অন্য ইনপুটের ওপর নির্ভর করে, আর সেই উপরের ইনপুটটাই না থাকে, তাহলে পুরো মডেলটা একটা আত্ম-রেফারেন্সিয়াল বৃত্তে পরিণত হতো।

চতুর্থ সমস্যা, এবং যেটা সবচেয়ে বেশি ক্ষতি করে: Article type 'unclassified'। এটা শুধু একটা লেবেলের অভাব নয়। একটা cricket_asia টেক্সট হতে পারে ম্যাচ রিপোর্ট, হতে পারে বোর্ড-রাজনীতির খবর, হতে পারে মতামত কলাম, হতে পারে সিরিজ-পূর্বাভাস, হতে পারে চুক্তি বা আর্থিক প্রতিবেদন। প্রতিটা ধরণের জন্য আলাদা বিশ্লেষণী কাঠামো দরকার। ম্যাচ রিপোর্টে দরকার ঘটনা-পুনর্গঠন—প্রতিটা ওভারের প্রেক্ষাপট, ফিল্ড সেটিং, বোলিং পরিবর্তনের যুক্তি। বোর্ড-রাজনীতিতে দরকার প্রাতিষ্ঠানিক বিশ্লেষণ—কে ক্ষমতায়, কার ভোট কত, কোন সিদ্ধান্ত কোন স্বার্থ রক্ষা করছে। মতামত কলামে দরকার যুক্তি-কাঠামোর পরীক্ষা—প্রতিজ্ঞা কী, প্রমাণ কী, লাফটা কোথায়। একটাকে অন্যটার কাঠামোয় বিশ্লেষণ করলে ফলাফল সুন্দর দেখায়, কিন্তু ভুল হয়।

আমি এই ভুলটা নিজে করেছোটা জানি। ২০২৪ সালে এক লিগা ১ ক্লাবের জন্য xG-ভিত্তিক শর্টলিস্ট বানিয়েছিলাম। শীর্ষ সুপারিশ ছিল এক চব্বিশ বছরের স্ট্রাইকার—প্রতি ৯০ মিনিটে ০.৫৮ xG, ৪.১ প্রেসার। ক্লাব বদলে চৌত্রিশ বছরের এক অভিজ্ঞকে বেশি বেতনে নিল। তিনি ষোলো ম্যাচে দু'টো গোল করলেন, ক্লাব চতুর্থ থেকে এগারোতে নেমে গেল। আমার মডেলটা প্রক্রিয়াগতভাবে সঠিক ছিল, কিন্তু সেই সিদ্ধান্তটা আসলে xG-এর প্রশ্ন ছিল না—সেটা ছিল একটা প্রাতিষ্ঠানিক সিদ্ধান্ত, যেখানে বোর্ডের ধৈর্য, কোচের চাকরির নিরাপত্তা আর দর্শকদের চাপ একসাথে কাজ করেছে। আমি ভুল কাঠামোয় সঠিক প্রশ্ন করেছিলাম।

সময়, প্রতিষ্ঠান, আর একটা অচেনা লেবেল

পঞ্চম সমস্যা: Time sensitivity 'not assessed'। ক্রিকেটে এটা গুরুতর। একটা সিরিজের অবস্থা, র‍্যাঙ্কিং, বোর্ডের সিদ্ধান্ত, ইনজুরি বা দল-নির্বাচনের খবর কয়েক দিনেই পুরোনো হয়ে যায়। আমার কাছে ২০২২ সালের এনজো ফার্নান্দেসের কেসটা সবসময় সতর্কবার্তা হিসেবে থাকে। বেনফিকা থেকে কাতার বিশ্বকাপের আগে আমি তাঁকে ১৮ মিলিয়ন ইউরোয় মডেল করেছিলাম। বিশ্বকাপের ইয়াং প্লেয়ার পুরস্কারের পর চেলসি দিল ১২১ মিলিয়ন ইউরো। একই খেলোয়াড়, ছ'সপ্তাহের ব্যবধান, ছয় গুণের বেশি দাম। পার্থক্যটা খেলোয়াড়ে ঘটেনি, ঘটেছিল তথ্যের সময়সূচিতে। কোনো লেখা যদি তার নিজের তারিখ না জানে, সে এই ধরনের পার্থক্য ধরতে পারবে না—সে শুধু সর্বশেষ শিরোনামটা পুনরাবৃত্তি করবে।

ষষ্ঠ সমস্যা: এনটিটি রেজল্যুশন। ক্রিকেট_এশিয়া লেবেলটা যদি সত্যিই নির্ভরযোগ্য হয়, তাহলে এই ডোমেইনে বহু-এখতিয়ারভুক্ত প্রাতিষ্ঠানিক অভিনেতা থাকবেই—জাতীয় বোর্ড, এশিয়ান ক্রিকেট কাউন্সিল, আইসিসি, ফ্র্যাঞ্চাইজি, সম্প্রচার স্বত্বধারী, স্পনসর, নিয়ন্ত্রক। এই অঞ্চলে একটা বাক্য প্রায়ই তিন-চারটা সত্তাকে একসাথে স্পর্শ করে, অথচ পাঠ্যেও একটাই নাম থাকে। 'বোর্ড সিদ্ধান্ত নিয়েছে'—কোন বোর্ড? নির্বাহী পরিষদ, সভাপতি, নাকি ক্রিকেট পরিচালনা কমিটি? কে অনুমোদন করেছে, কে আপত্তি তুলেছে? এই স্তরটা গুলিয়ে ফেললে বিশ্লেষণ আর প্রতিষ্ঠান-বিশ্লেষণ থাকে না, ব্যক্তিগত অনুমান হয়ে যায়।

আর সপ্তম সমস্যা, যেটা আসলে কোনো সমস্যা নয়, বরং পাইপলাইনের সঠিক আচরণ: আউটপুট খালি রাখা। এখানেই আমি থামতে চাই এবং স্পষ্ট করতে চাই যে আমি কী করছি না। আমি কোনো কাল্পনিক ম্যাচ রিপোর্ট লিখছি না। আমি কোনো কাল্পনিক বোর্ড-বৈঠকের বিবরণ বানাচ্ছি না। কারণ পাইপলাইনের যে স্তরটা ফাঁকা ফিরিয়েছে, সেটা যদি সত্যিই ফাঁকা হয়, তাহলে আমার কল্পনা দিয়ে সেটা ভরাট করা মানে হলো একটা ত্রুটিকে সম্পাদনার ভেতরে ঢুকিয়ে দেওয়া। লাইভ ড্যাশবোর্ড হলো একটা হৃদস্পন্দন, যার একটা রিফ্রেশ রেট আছে—আর যদি সেন্সরটা খুলে ফেলা হয়, ড্যাশবোর্ড মিথ্যা বলবে না, সে শুধু শূন্য দেখাবে। শূন্য দেখানো কোনো ব্যর্থতা নয়; ভুয়া সংখ্যা দেখানো ব্যর্থতা।

কন্ট্রারিয়ান

এখন আমি নিজের গল্পের বিরুদ্ধে দাঁড়াতে চাই। সবচেয়ে সহজ ব্যাখ্যা হলো: Stage-1 ভেঙেছে, extraction বন্ধ হয়েছে, লগ চালু করে আবার চালান—শেষ। কিন্তু এটা একটা আরামদায়ক গল্প, এবং আমার অভিজ্ঞতা বলে আরামদায়ক গল্পগুলো প্রায়ই ভুল জায়গায় থামে।

প্রথমত, cricket_asia লেবেলটা নিজেই একটা অনুমান হতে পারে। টেবিলে লেখা আছে 'Weak signal only'। যদি ক্লাসিফায়ার নথিটি না পড়েই অঞ্চল অনুমান করে থাকে, তাহলে এই লেবেলটাই আমার একমাত্র 'তথ্য' হিসেবে দাঁড়িয়ে আছে—অথচ সেটা তথ্য নয়, একটা সম্ভাবনা। আমি এটাকে প্রমাণ হিসেবে ব্যবহার করব না, কর্ম-অনুমান হিসেবে ব্যবহার করব। পার্থক্যটা ছোট নয়।

দ্বিতীয়ত, এই টেবিলটা আসলে ব্যর্থতার প্রমাণ নয়, সততার প্রমাণ। একটা সিস্টেম তিনটা পথ নিতে পারত। সে বলতে পারত 'লেখাটা একটা ম্যাচ রিপোর্ট, সম্ভবত পাকিস্তান-শ্রীলঙ্কা সিরিজের'—অর্থাৎ অনুমান করে ফাঁক ভরাট করতে পারত। অথবা সে চুপ করে যেতে পারত, কোনো আউটপুট না দিয়ে। সে তৃতীয় পথটা নিয়েছে: প্রতিটা ফাঁক আলাদা করে চিহ্নিত করেছে, এমনকি এমন জায়গায় 'not assessed' লিখেছে যেখানে অনুমান করা সহজ ছিল। এটা একটা ভালো প্রক্রিয়ার লক্ষণ, যদিও ফলাফল ব্যবহারযোগ্য নয়। প্রক্রিয়ার গুণ আর ফলাফলের ভাগ্য—এই দু'টো আলাদা করে না দেখলে আমরা ভুল শিক্ষা নেব। এই পাইপলাইনকে আমরা বলব না 'খারাপ সিস্টেম'; আমরা বলব 'সততা বজায় রাখা একটা অসম্পূর্ণ সিস্টেম'।

তৃতীয়ত, আসল ঝুঁকিটা Stage-1-এ নেই। আসল ঝুঁকি পরের ধাপে, অর্থাৎ আমার মতো কেউ যখন এই ফাঁকা টেবিলটা হাতে পায় এবং ভাবে—আমি তো অভিজ্ঞ, আমি তো সূত্র ছাড়াই অনুমান করতে পারি। এখানেই ব্যর্থতা সিস্টেম থেকে মানুষের কাছে migrate করে। একটা ফাঁকা টেবিল কোনো ক্ষতি করে না। একটা ভরা কিন্তু ভিত্তিহীন টেবিল ক্ষতি করে, কারণ সেটা পড়া যায়, উদ্ধৃত হয়, ছড়িয়ে পড়ে, আর পরে কেউ তার উৎস খুঁজে পায় না।

চতুর্থত, একটা ব্যাখ্যা আছে যেটা আমরা সবাই এড়িয়ে যাই—হয়তো নথিটা সত্যিই অস্তিত্বহীন ছিল। লিংক মৃত, পেজ সরানো, পেওয়ালের পেছনে, বা ইনপুটই কখনো পৌঁছায়নি। সেই ক্ষেত্রে দোষ extraction-এর নয়, fetching-এর, বা আরও আগের—কোনো কোঅর্ডিনেটরের। লগ না থাকলে আমরা এই তিনটা সম্ভাবনার মধ্যে পার্থক্য করতে পারব না, এবং তখন আমরা সবচেয়ে সহজ দোষটা সবচেয়ে দুর্বল অংশের ঘাড়ে চাপিয়ে দেব। প্রক্রিয়া-জবাবদিহিতার সবচেয়ে বড় ফাঁদ এটাই—নিরপরাধ অংশটাকে দোষারোপ করা, কারণ সে সবচেয়ে বেশি দেখা যায়।

টেকঅওয়ে

আমি এখন একটা সংকীর্ণ কিন্তু কার্যকর প্রস্তাব দিতে চাই: একটা ন্যূনতম ইনপুট চুক্তি। কোনো ক্রিকেট টেক্সট বিশ্লেষণে ঢোকার আগে পাঁচটা জিনিস বাধ্যতামূলক—শিরোনাম, আউটলেট, প্রকাশের তারিখ, কাঁচা পাঠের একটা অংশ, আর আউটলেটের ধরন। এই পাঁচটার যেকোনো একটা না থাকলে পাইপলাইন থামুক, অনুমান না করুক। তারিখ ছাড়া ক্রিকেট বিশ্লেষণ শুধুই স্মৃতি, স্মৃতি নয়—ভুল স্মৃতি। শট ম্যাপ হলো স্থানাঙ্কসহ স্মৃতি; স্থানাঙ্ক ছাড়া শুধু দাগ থাকে।

পরের বার যখন কেউ জিজ্ঞেস করবে 'এই লেখাটা নিয়ে কী বলার আছে', আমি চাই উত্তরটা শুরু হোক এভাবে—কোন লেখা, কোন তারিখে, কার কাছ থেকে। এগারোটা ঘরের একটা আলো যথেষ্ট নয়।