শূন্য তথ্যবিন্দু, সফল স্কিমা: ক্রিকেট ডেটা পাইপলাইনের নীরব ব্যর্থতা ধরার পদ্ধতি

রাত ২টা ৪০ মিনিট। ড্যাশবোর্ডে সবুজ টিক জ্বলছে, পাইপলাইন বলছে কাজ সম্পন্ন। পাশে যে টেবিলটা খুলল, তার আটটি ঘরের আটটিতেই লেখা N/A। একমাত্র যে ঘরটা ভরা, সেটা ডোমেইন লেবেল: cricket_world। শিরোনাম নেই, সূত্র নেই, প্রতিবেদনের ধরন অসংজ্ঞায়িত, এক-বাক্যের সারসংক্ষেপ খালি, লেখকের অবস্থান অস্পষ্ট, আর তথ্যবিন্দুর তালিকা—সম্পূর্ণ শূন্য। একটি ক্রিকেট প্রতিবেদন নিয়ে কাজ করার আগে আমি সাধারণত চারটি জিনিস দেখি: কে লিখেছে, কখন লিখেছে, কোন ফরম্যাটে লিখেছে, আর তার ভেতরে যাচাইযোগ্য কী আছে। এই চারটির একটিও যখন নেই, তখন সিদ্ধান্ত নেওয়া সহজ হয়ে যায়—সমস্যাটা প্রতিবেদনের ভেতরে নয়, প্রতিবেদনটা ধরার যন্ত্রে। সেই রাতেই আমি ঠিক করলাম, এই লেখাটা কোনো ম্যাচ রিপোর্ট হবে না। এটা হবে সেই সব মুহূর্তের হিসাব, যখন একটা সিস্টেম সফল দেখাতে চায়, কিন্তু সত্যি বলতে তার হাতে কিছুই নেই। The Data Monk does not wait for clean data; he builds a pipeline that survives the mess. মেস-এর মধ্যে দিয়ে যাওয়া পাইপলাইন বানানোই পেশা; কিন্তু মেস আর শূন্যতার পার্থক্য ধরতে না পারলে পাইপলাইন নিজেই একটা মিথ্যা সাক্ষী হয়ে দাঁড়ায়। ২০২৬ সালে ক্রিকেট কনটেন্টের পাইপলাইন কেমন দেখতে, সেটা স্পষ্ট করা দরকার। ESPNcricinfo, Cricbuzz বা বোর্ডের অফিশিয়াল সাইট—সবখানেই একই স্তরক্রম: প্রথমে ফেচ, তারপর বডি এক্সট্রাকশন, তারপর ক্লাসিফিকেশন, তারপর দাবি-নিষ্কাশন, শেষে বিশ্লেষণ। প্রথম স্তর (Stage-1) ঠিক এই কাজটাই করে: শিরোনাম, সূত্র, ধরন, সারসংক্ষেপ, অবস্থান, উদ্দেশ্য, তথ্যবিন্দু আর সম্পৃক্ত সত্তা—এই আটটি ঘর ভরে দেয়। পরের সব স্তর এই আটটি ঘরের ওপর ভর করে। এই আটটি ঘর যদি খালি হয়, তাহলে ব্যর্থতা এক জায়গায় নয়, ছয় জায়গায় ছড়ায়। ধরুন, শিরোনাম নেই—তাহলে বোঝা যাবে না লেখাটা শাকিব আল হাসানের চোট নিয়ে, নাকি বাংলাদেশের সিরিজ সূচি নিয়ে। সূত্র নেই—তাহলে বোর্ডের প্রেস রিলিজ আর ফেসবুক পেজের গুজব একই ওজনে বসে যাবে। ধরন নেই—তাহলে ম্যাচ-পূর্বাভাস আর ম্যাচ-পরবর্তী বিশ্লেষণ একই ফ্রেমে ঢুকে যাবে, যা পেশাদার ক্রিকেটে কখনোই গ্রহণযোগ্য নয়। আমার নিজের চেকলিস্টের কথা মনে পড়ে। ২০১৮ সালে রাশিয়া বিশ্বকাপের ৬৪টি ম্যাচের জন্য যখন স্বয়ংক্রিয় xG পাইপলাইন বানাচ্ছিলাম, তখন চারটি সংখ্যা বাধ্যতামূলক ছিল: xG, PPDA, সেট-পিস xG, আর দৌড়ের দূরত্ব। একটিও না পেলে প্রকাশ আটকে যেত। কেউ কেউ বলতেন, একটা সংখ্যা তো পরেও যোগ করা যায়। আমার উত্তর ছিল—সংখ্যাটা পরে যোগ করলে পাঠক সেটা পড়বে অন্য প্রতিবেদনের অংশ হিসেবে, মূল বিশ্লেষণের প্রমাণ হিসেবে নয়। ক্রিকেটেও একই নিয়ম: একটি প্রতিবেদন যদি প্যাট কামিন্সের ওয়ার্কলোড বাড়ছে বলে, অথচ সেখানে ওভার-বাই-ওভার ডেলিভারি-সংখ্যা বা স্পেল-দৈর্ঘ্য নেই, তাহলে সেটা বিশ্লেষণ নয়, একটা অনুমান যা তথ্যের পোশাক পরে দাঁড়িয়ে আছে। Stage-1-এর ফলাফল পড়ে আমি চারটি সম্ভাব্য কারণ দাঁড় করালাম, এবং প্রতিটির জন্য একটা করে পরীক্ষা ঠিক করলাম। কারণের তালিকা গুরুত্বপূর্ণ নয়, গুরুত্বপূর্ণ হলো প্রতিটির প্রমাণ কী। প্রথম সম্ভাবনা: ফেচ স্তরে অনুরোধ আটকে গেছে। ESPNcricinfo বা Cricbuzz-এর কিছু পাতা পেওয়ালের পেছনে, কিছু আঞ্চলিকভাবে ব্লক করা, কিছু ৪০৩ ফেরত দেয়। পরীক্ষা সহজ: রেসপন্সের স্ট্যাটাস কোড, কনটেন্ট-লেংথ আর র-এইচটিএমএল-এর হ্যাশ সংরক্ষণ করুন। যদি কনটেন্ট-লেংথ কয়েকশ বাইটে আটকে থাকে, তাহলে বোঝা যায় আমরা আর্টিকেল পাইনি, লগইন পাতা পেয়েছি। দ্বিতীয় সম্ভাবনা: এক্সট্রাক্টর ভুল নোড ধরেছে। এখানে একটা সহজ কথায় মেট্রিকের সংজ্ঞা দিয়ে রাখা ভালো—"আর্টিকেল বডি" মানে সাংবাদিকের লেখা মূল অনুচ্ছেদগুলো, বিজ্ঞাপন, সাপ্তাহিক লাইভ-স্কোর উইজেট বা রিলেটেড-লিংকের বাক্স নয়। ক্রিকেট সাইটগুলোতে এই মূল অনুচ্ছেদগুলো প্রায়ই article-body ক্লাসের বাইরে থাকে, ডাইনামিক কনটেইনারে, যেগুলো জাভাস্ক্রিপ্ট চালানোর পর তৈরি হয়। তখন ক্রলার একটা খালি খোলস ধরে, আর এক্সট্রাকশন সফল দেখায়। তৃতীয় সম্ভাবনা: মডেলকে পাঠানো টেক্সট নিজেই খালি ছিল। এটা সবচেয়ে কম আলোচিত, কিন্তু সবচেয়ে বেশি ঘটে। খালি স্ট্রিং পেলে বড় ভাষার মডেল যা করার ঠিক তাই করেছে—সে আটটি ঘরে N/A বসিয়েছে। তাকে দোষ দেওয়া যায় না; সে মিথ্যা তথ্য বানায়নি, বরং সততার সঙ্গে শূন্যতা রিপোর্ট করেছে। ব্যবহারিকভাবে এই আচরণই ভালো, কারণ ভুল তথ্যের চেয়ে খালি ঘর অনেক বেশি নিরাপদ। চতুর্থ সম্ভাবনা: দীর্ঘ লেখা কোনো এক জায়গায় ছাঁটাই হয়ে শূন্য বা কয়েক শব্দে নেমে গেছে। লম্বা ফিচার বা লাইভ ব্লগে এই সমস্যা বেশি। টোকেন-গণনা আর ইনপুট দৈর্ঘ্য লগ করলেই ধরা পড়ে। এই চারটি সম্ভাবনার বাইরে একটা পঞ্চম সমস্যা আছে, যেটা আমি সবচেয়ে বিপজ্জনক মনে করি: স্কিমা-বৈধ কিন্তু অর্থ-শূন্য আউটপুট। পাইপলাইন বলছে সফল, কারণ আটটি কী আছে, JSON পার্স হয়েছে, কোনো এক্সসেপশন ওঠেনি। অথচ ভেতরে একটা সত্যিকারের তথ্যও নেই। এই নীরব ব্যর্থতা সবচেয়ে ক্ষতিকর, কারণ এটা পরের সব স্তরে ছড়িয়ে পড়ে—একটা খালি প্রতিবেদন স্কোরবোর্ডে ঢুকে গিয়ে পরদিন একটা ভুল প্রবণতার গ্রাফ তৈরি করতে পারে। এই জায়গায় আমার প্রস্তাব সরল, কিন্তু কঠোর: Stage-1-এ একটা প্রি-রেজিস্টার্ড অ্যাসারশন বসান। যদি তথ্যবিন্দুর তালিকা খালি থাকে, তাহলে পাইপলাইন সফল ঘোষণা করবে না—সে এরর দেবে এবং র-এইচটিএমএল ডিস্কে সংরক্ষণ করবে। সিদ্ধান্তের নিয়ম আগেই ঠিক করে রাখা, পরে ফলাফল দেখে ঠিক করা নয়—এটাই ইনস্টিটিউশনাল মাপকাঠি এবং ব্যক্তিগত অনুমানের মধ্যে পার্থক্য। সাথে প্রতিটি সিদ্ধান্তে আত্মবিশ্বাসের মাত্রা লেখা থাকা দরকার: এই মুহূর্তে ফেচ-স্তরের ব্যর্থতার সম্ভাবনা সবচেয়ে বেশি, কিন্তু আমি নিশ্চিত নই; নিশ্চিত হতে চাই প্রমাণে, অনুভূতিতে নয়। ২০১৮ সালের অভিজ্ঞতা এখানে সরাসরি কাজে লাগে। ক্রোয়েশিয়া ২-১ গোলে ইংল্যান্ডকে হারানোর পর (১১ জুলাই ২০১৮, লুঝনিকি স্টেডিয়াম) আমার মডেল বলেছিল ক্রোয়েশিয়ার xG মাত্র ০.৮, ইংল্যান্ডের ১.৯। রুমে উপস্থিত অনেকের স্মৃতি বলছিল অন্য কথা। তখন আমি পাইপলাইনে হাত দিইনি, বরং প্রতিটি শটের ডেটা পয়েন্ট আবার যাচাই করেছি। The first time the xG truth machine contradicted the room, I learned to trust the columns. কিন্তু সেই বিশ্বাসের একটাই শর্ত ছিল—কলামগুলো আসল ম্যাচ থেকে এসেছে, খালি ঘর থেকে নয়। ২০২১ সালে চ্যানেল ৭-এর জন্য ইউরো ২০২০ আর টোকিও অলিম্পিক্স মিলিয়ে ১৪২টি সেট-পিস গোলের ডেটা নিয়ে কাজ করার সময় আমি একটা নিয়ম চালু করেছিলাম: কলাম লেখার আগে ডেটা কার্ড প্রকাশ। ৩৮টি ম্যাচে সেই টেমপ্লেট ব্যবহার হয়েছে, এবং প্রতিটি সংখ্যা এডিটর নিজে মিলিয়ে নিতে পারতেন। Standardizing set-piece xG across tournaments felt like teaching two dialects to share one dictionary. অভিধান এক হওয়ার সুবিধা হলো, কেউ আর সংখ্যাকে নিজের মতো করে ব্যাখ্যা করতে পারে না। ২০২০ সালে সিডনি এফসি-র জন্য খালি স্টেডিয়ামের ড্যাশবোর্ড বানানোর সময় শিখেছিলাম, অনুপস্থিতিকেও মাপা যায়। এ-লিগ ফিরে আসার পর ১২টি দলের PPDA আর দূরত্ব ট্র্যাক করে দেখলাম, স্বাগতিক দলগুলোর PPDA প্রতি ডিফেন্সিভ অ্যাকশনে গড়ে ৪.২ পাস খারাপ হয়েছে, আর উচ্চ-তীব্রতার দূরত্ব কমেছে ৭ শতাংশ। সিডনি এফসি ৩০ আগস্ট ২০২০-তে গ্র্যান্ড ফাইনালে মেলবোর্ন সিটিকে ১-০ গোলে হারিয়েছিল, এবং সেই ড্যাশবোর্ড কোচের হাতে ছিল। Empty stadiums still speak, but only if your dashboard knows how to listen. আজ একই যুক্তি খালি আর্টিকেলের ক্ষেত্রে খাটে: একটা অনুপস্থিত প্রতিবেদনও কথা বলে, যদি আপনার পাইপলাইনে সেটা শোনার ঘর থাকে। তাহলে সবচেয়ে কম কী দরকার, যাতে বিশ্লেষণ শুরু করা যায়? আমার শর্ত চারটি। প্রথমত, শিরোনাম, সূত্র আর ধরন—তিনটি ঘরই পূরণ থাকতে হবে। দ্বিতীয়ত, তথ্যবিন্দু অন্তত পাঁচটি, প্রতিটিতে একটা যাচাইযোগ্য দাবি থাকতে হবে, শুধু বিষয়ের নাম নয়। তৃতীয়ত, লেখাটা কোন ম্যাচ, কোন খেলোয়াড় বা কোন বিতর্ক নিয়ে—তা চিহ্নিত হতে হবে। চতুর্থত, প্রকাশের তারিখ থাকতে হবে, কারণ ক্রিকেটে সময়-সংবেদনশীলতা তীব্র। সময়-সংবেদনশীলতা বলতে আমি তিনটি আলাদা ফ্রেম বোঝাই। ম্যাচ-পূর্বাভাসে যা মূল্যবান তা হলো সম্ভাব্যতা: কোন পিচ, কোন কম্বিনেশন, কোন আবহাওয়া—এগুলো একটা অনুমানের মধ্যে বাঁধতে হয়, আর অনুমানকে অনুমান হিসেবেই চিহ্নিত করতে হয়। ম্যাচ-পরবর্তী পুনর্বিশ্লেষণে যা মূল্যবান তা হলো ব্যাখ্যা: কোন ওভারে কী বদলাল, কোন বোলিং পরিবর্তন রান-রেট ঘুরিয়ে দিল। আর ট্রান্সফার-সংক্রান্ত লেখায় যা মূল্যবান তা হলো কাঠামো: রিলিজ ক্লজ, মজুরির বোঝা, এজেন্টের নড়াচড়া। এই তিন ফ্রেম একসাথে মেশালে বিশ্লেষণ ভুল হয়, যদিও প্রতিটি আলাদাভাবে ঠিক থাকতে পারে। A transfer rumor is a data point with a pulse, a deadline, and a vested interest. ট্রান্সফার উইন্ডোতে কোনো গুজবকে আমি তিনটি প্রশ্নে ফেলি: কে বলছে, কে লাভবান হচ্ছে, আর চুক্তির কাঠামোতে কী বদলাচ্ছে। স্টিভ স্মিথ বা বাবর আজমের নাম জড়ানো যেকোনো গুজবের ক্ষেত্রে প্রথমে দেখতে হয়, দলটির মজুরির জায়গা আছে কি না; জস বাটলারের মতো খেলোয়াড়ের ক্ষেত্রে দেখতে হয়, বিক্রেতা দলটির হাতে বিকল্প কতটা। এই প্রশ্নগুলোর উত্তর না থাকলে গল্পটা পাঠকের মনে থাকতে পারে, কিন্তু সম্পাদকের ফাইলে থাকা উচিত নয়। এখন সেই অংশে আসি যেখানে আমাকে নিজের প্রস্তাবের বিপক্ষে দাঁড়াতে হয়। ধরে নিন, আটটি ঘর খালি থাকাটা পাইপলাইনের ব্যর্থতা নয়—বরং লেখাটা সত্যিই শূন্য-তথ্যের লেখা। এটা অসম্ভব নয়। ২০২৬ সালের ক্রিকেট ইকোসিস্টেমে তিন ধরনের কনটেন্ট প্রচুর: সার্চ-ইঞ্জিনের জন্য বানানো খোলস, একাধিক গুজব জোড়া দিয়ে তৈরি করা "সারসংক্ষেপ", আর মেশিনে তৈরি ম্যাচ-প্রিভিউ যেখানে কোনো যাচাইযোগ্য সংখ্যা নেই। এমন লেখার তথ্যবিন্দু শূন্য হওয়াটাই সঠিক আউটপুট। এখানে ব্যর্থতা পাইপলাইনে নয়, আমাদের প্রত্যাশায়। দ্বিতীয় সমস্যা আরও সূক্ষ্ম। খালি ঘরে এরর দিলে এক্সট্রাক্টরকে একটা প্রণোদনা দেওয়া হয়: পরীক্ষা পাস করতে হলে ঘর ভরতে হবে। সেই প্রণোদনা মাঝে মাঝে অনুমানকে তথ্যের জায়গায় বসিয়ে দেয়। ঠিক এ কারণেই আমি শুধু অ্যাসারশন নয়, তিনটি সংযোজন চাই। এক, দ্বৈত রান: একই লেখা দুটি আলাদা এক্সট্রাক্টর দিয়ে পড়া, দুটির ফল মিললে আস্থা বাড়ে। দুই, প্রক্সি-যাচাই: এলোমেলো ৫ শতাংশ আউটপুট মানুষের চোখে দেখা। তিন, প্রক্সি-প্রমাণ: প্রতিটি আউটপুটের সাথে র-এইচটিএমএল-এর হ্যাশ রাখা, যাতে পরে বলা যায় পাইপলাইন ঠিক কোন জিনিসটা পড়েছিল। এই তিনটি ছাড়া অ্যাসারশন আরেকটা অনুমান, শুধু কঠিন ভাষায় লেখা। আর একটা জিনিস মাথায় রাখা দরকার: সম্পর্ক আর কারণ এক নয়। আটটি ঘর খালি দেখে বলা যায় না কেন খালি। এটা ফেচের দোষ, এক্সট্রাক্টরের দোষ, নাকি লেখাটাই শূন্য—এই তিনটি অনুমান একই লক্ষণের সঙ্গে খাপ খায়। পার্থক্য করতে পারে একমাত্র প্রক্সি-রেকর্ড। তাই আমার পরামর্শ, খালি ফলাফলকে ব্যর্থতা হিসেবে নয়, পরিমাপ হিসেবে প্রথম শ্রেণির নাগরিক বানিয়ে ফেলুন—ড্যাশবোর্ডে একটা কলাম যোগ করুন: কতগুলো লেখা শূন্য তথ্যবিন্দু নিয়ে ফিরে আসছে। সংখ্যাটা বাড়তে থাকলে সমস্যা পাইপলাইনে; কমতে থাকলে হয়তো প্রত্যাশায়। I stopped arguing about the eye test when the shot map made the argument for me. ক্রিকেটেও সেই দিন এসেছে। খালি ঘরগুলোর পাশে যখন র-এইচটিএমএল-এর হ্যাশ, রেসপন্স কোড আর টোকেন-গণনা বসে যায়, তখন আর তর্ক করতে হয় না—কোন জায়গায় যন্ত্র থেমেছে, সেটা কলামই বলে দেয়। সেটাই এই পেশার আসল কাজ: ম্যাচের সত্য পুনর্গঠন করা, আর তার আগে নিজের যন্ত্রের সত্য যাচাই করা। প্রতিটি প্রতিবেদনের পাশে যদি একটা প্রক্সি-কলাম থাকে—কোথা থেকে এল, কখন এল, কী যাচাই হয়েছে—তাহলে আগামী ট্রান্সফার উইন্ডোতে আমরা গুজবের ভিড়ে ডুবে না গিয়ে বেছে বেছে সেই কয়টি খবর ধরতে পারব যেগুলো চুক্তির কাঠামোতে সত্যিই কিছু বদলায়। প্রশ্নটা এখন আরও সরল: আপনার ড্যাশবোর্ডে খালি ঘর ধরার জন্য আলাদা কোনো ঘর আছে, নাকি এখনো সবুজ টিক দেখেই কাজ শেষ ভেবে নিচ্ছেন?