ভুল লেবেল, বিশুদ্ধ তথ্য: ফুটবল অ্যানালিটিক্স পাইপলাইনে ক্লাসিফিকেশন ত্রুটির পাঠ

স্ক্রিনে সময়টা জ্বলছিল ১৬:৫০:০৬। ফুটবল ফিডের ভেতরে ভেসে ওঠা প্রতিবেদনটি বলছিল, মেক্সিকো সিটির ত্লালপান বরোতে ২.২ মাত্রার একটি মাইক্রো-ভূমিকম্প হয়েছে, উৎসের গভীরতা ৮.৭ কিলোমিটার, আর রিখটার স্কেলের এই কম্পন কার্যত টেরই পাননি স্থানীয় বাসিন্দারা; তারা স্বাভাবিক কাজকর্ম চালিয়ে গেছেন। তথ্যসূত্র দুটি—Servicio Sismológico Nacional (SSN) এবং N+। সতেরোটি তথ্যবিন্দু শুরু থেকে শেষ পর্যন্ত পড়লাম। একটিতেও নেই কোনো দল, কোনো খেলোয়াড়, কোনো কোচ, কোনো প্রতিযোগিতা, কোনো ট্রান্সফার ফি, কোনো ম্যাচের ফলাফল। অথচ প্রতিবেদনটির গায়ে বসানো লেবেল—“football”। আসল খবরটি এখানেই, এবং তা ভূভৌতিক নয়, বিশ্লেষণী: একটি ফুটবল পাইপলাইনের ভেতরে ঢুকে পড়া ভুল শ্রেণীবিন্যাস, যা গোটা বিশ্লেষণী শৃঙ্খলের বিশ্বাসযোগ্যতাকে প্রশ্নের মুখে দাঁড় করায়।

আমি ফুটবল নিয়ে লিখি ডেটা দিয়ে, আর সেই অভ্যাস গড়ে উঠেছে ধাপে ধাপে। ২০১৮ বিশ্বকাপের রাশিয়া সেমিফাইনালে ক্রোয়েশিয়া-ইংল্যান্ড ম্যাচের পর আমার লেখার কাঠামো বদলে যায়। সেদিন আমি মদরিচের ৮৯টি সফল পাস গুনেছিলাম, পাশে রেখেছিলাম ক্রোয়েশিয়ার ১.৪ এক্সজি বনাম ইংল্যান্ডের ০.৯ এক্সজি, আর লিখেছিলাম—অতিরিক্ত সময়ে মাঝমাঠের নিয়ন্ত্রণই ফলাফল ঠিক করবে; ক্রোয়েশিয়া শেষে ২-১ জিতল। সেই থেকে প্রতিটি লেখায় ডেটা-কেভিয়াট, মডেল-নোট আর একটি স্পষ্ট কারণ-শৃঙ্খল থাকি। “I counted Modric” — Root: 2026 World Cup / Modric — এই গোনাটা আমাকে শিখিয়েছে, গোনা মানে কেবল গোল গোনা নয়; গোনা মানে সিদ্ধান্তের আগে প্রমাণ সাজানো।

২০২০-এ স্টেডিয়ামগুলো নীরব হয়ে গেলে আমি বুন্দেসলিগার ১৮ ম্যাচের হোম-উইন হার মিলিয়ে দেখি: বিরতির আগে ৪৩.৩%, পুনরারম্ভের পর ৩৩.৩%। “When the stadiums went silent, home advantage slipped from 43.3% to 33.3%.” — বাক্যটি আমার কাছে কেবল একটি স্মরণীয় সংখ্যা নয়, একটি পদ্ধতিগত সতর্কবার্তা: সম্পর্ক আর কারণ এক জিনিস নয়, আর ভিড় ছাড়া হোম-অ্যাডভান্টেজের ক্ষয়ে ট্রাভেল, শিডিউল আর কনজারভেটিভ ট্যাকটিকস—সবই সম্ভাব্য ভাগীদার। ২০২২ কাতারে মরক্কো স্পেনের বিপক্ষে ০-০ ড্র করে পেনাল্টিতে ৩-০ জেতে; বনো দুটি পেনাল্টি সেভ করেন, স্পেন ৭৭% দখল নিয়ে খেলেও এক্সজি পায় মাত্র ০.৯। আমি মরক্কোর পিপিডিএ ১২.৩ পাশে রেখে লিখেছিলাম, লো-ব্লক নিষ্ক্রিয় খেলা নয়। “Morocco” — Root: 2026 Qatar / Morocco low block | Scenario: defensive structure deep dive. — সেই সন্নিবেশ আজও বহাল: ডিফেন্সিভ মেট্রিক আগে, দখল পরে, এক্সজি সবার শেষে।

২০২৪ ইউরোয় স্পেনের ২-১ ফাইনাল জয়ে লামিন ইয়ামালের ৪ অ্যাসিস্ট, এরপর এমবাপের রিয়াল মাদ্রিদে ফ্রি ট্রান্সফারে যোগ দেওয়া নিয়ে লিগ-১-এর ০.৭৮ এক্সজি প্রতি ৯০ মিনিট থেকে লা লিগার লো-ব্লকের বিপক্ষে ০.৬৫-এ নামিয়ে আনা প্রজেকশন—এসব আমাকে শিখিয়েছে, মডেলের অনুমান আগেই ঘোষণা করতে হয়, কারণও আগে দিতে হয়। ২০২৫ ক্লাব বিশ্বকাপ ফাইনালে চেলসির ৩-০ জয়ে কোল পামারের দুই গোল, আর ২০২৬ বিশ্বকাপের আগে ১০৪ ম্যাচের ৪৮-দলীয় এক্সজি মডেলে কানাডার ১২ ধাপ ওপরের দিকে ওভারপারফর্ম করার প্রজেকশন—সবই একই নীতির ফল। আজকের প্রশ্নটি অবশ্য মডেলের গুণ নিয়ে নয়; প্রশ্নটি মডেলের ভেতরে ঢোকা কাঁচামাল নিয়ে, এবং সেটি অনেক বেশি মৌলিক।

পাইপলাইনের কাজ চারটি ধাপে চলে: প্রথমে অন্তর্ভুক্তি, তারপর ডোমেইন লেবেল বসানো, তারপর তথ্য নিষ্কাশন, শেষে বিশ্লেষণী কাঠামো প্রয়োগ। এই প্রতিবেদনে নিষ্কাশন সঠিক হয়েছে; সতেরোটি তথ্যবিন্দু সিসমোলজির দৃষ্টিতে সুসংগত ও নির্ভুল, আর প্রাথমিক সূত্র SSN নামধারী একটি কর্তৃত্বসম্পন্ন বৈজ্ঞানিক প্রতিষ্ঠান। ত্রুটিটি ঘটেছে দ্বিতীয় ধাপে। একটি রিপোর্ট যেখানে কোনো ফুটবল সত্তাই নেই, সেখানে “football” লেবেল বসানো একটি শ্রেণীবিন্যাস-ব্যর্থতা, তথ্য-ব্যর্থতা নয়।

প্রমাণ শৃঙ্খলটা সহজ। মাত্রা ২.২, গভীরতা ৮.৭ কিলোমিটার, সময় ১৬:৫০:০৬—এই সংখ্যাগুলো ভূভৌতিক পরিমাপ, ফুটবল পারফরম্যান্স মেট্রিক নয়। এগুলোকে ফুটবল ডেটা ভেবে নেওয়া ঠিক তেমনই বিভ্রান্তিকর, যেমন বিভ্রান্তিকর হতো মদরিচের ৮৯টি পাসকে ৮৯টি ইন্টারসেপশন ধরে নেওয়া। লেবেল যদি মেটাডেটার কোনো ভুল-ম্যাপ করা ক্যাটাগরি আইডি থেকে এসে থাকে, তবে ব্যর্থতা টেক্সট বোঝা মডেলের নয়, বরং ম্যাপিং স্তরের। [আত্মবিশ্বাস: মধ্যম] আর এখানেই আসল ঝুঁকি: একটি লেবেল যদি সতেরোটি তথ্যবিন্দুর বিপরীতে টিকে যেতে পারে, তবে ভুল-লেবেলের সংখ্যা ঠিক একটি হওয়ার কোনো নিশ্চয়তা নেই।

এখানেই ব্লকচেইন প্রযুক্তির প্রাসঙ্গিকতা, আর তা কেবল মুদ্রা বা আর্থিক লেনদেনের জন্য নয়, ডেটা-প্রমাণযোগ্যতার জন্য। একটি অপরিবর্তনীয় লেজারে যদি প্রতিটি প্রতিবেদনের বিষয়বস্তুর ক্রিপ্টোগ্রাফিক হ্যাশ এবং তার লেবেলের হ্যাশ পাশাপাশি, সময়-স্ট্যাম্পসহ সংরক্ষিত থাকত, তবে সতেরোটি সিসমিক তথ্যবিন্দুর সত্তা-ছাপ কখনোই “football” লেবেলের ছাপের সঙ্গে মিলত না; পাইপলাইনে ঢোকার মুহূর্তেই একটি ভ্যালিডেশন গেট সেটি আটকে দিত। আমি যেভাবে মরক্কোর ক্ষেত্রে গুনেছি—১৪ পাস প্রতি ডিফেন্সিভ অ্যাকশন, পিপিডিএ ১২.৩—তেমনি এখানে একটি সরল গোনাই যথেষ্ট: দল, খেলোয়াড়, প্রতিযোগিতা—এই তিন শ্রেণির সত্তার সংখ্যা শূন্য হলে কোনো ফুটবল কাঠামোই প্রযোজ্য নয়। শূন্য সত্তার ওপর জোর করে বিশ্লেষণ চাপানো মানে মডেলকে বানানো গল্প দিয়ে ভরিয়ে তোলা।

দ্বিতীয় সমস্যাটি আরও অস্বস্তিকর। নিষ্কাশন স্তর যেহেতু কাজ করেছে, ধরে নিতে হয় ব্যর্থতা ওপরের দিকে—শ্রেণীবিন্যাসে—এবং যদি ক্যাটাগরি ম্যাপিং একবার ভুল হয়, তবে সেটি একবারের ঘটনা হওয়ার সম্ভাবনা কম। [আত্মবিশ্বাস: মধ্যম] ফুটবল বিশ্লেষণে আমরা যাকে ছোট-নমুনা ঝুঁকি বলি, এখানে তা ভিন্ন রূপে ফিরে আসে: একটি ভুল লেবেল প্রমাণ নয়, দুটি ভুল লেবেল একটি প্যাটার্ন। তাই নিকট অতীতের Stage-1 আউটপুট অডিট করা জরুরি—ডোমেইন লেবেল আর বিষয়বস্তুর মধ্যে মিল কতটা, আর সেই মিল কে যাচাই করছে। সূত্রের স্তরও আলাদা করে দেখতে হবে: SSN কর্তৃত্বসম্পন্ন প্রাথমিক সূত্র, N+ মূলধারার সংবাদমাধ্যম, আর বেনামি “reports” সবচেয়ে দুর্বল স্তর—এই তিনটি এক আসনে বসানো যায় না। আমার বছরগুলোর ম্যাচ-দেখার অভিজ্ঞতা থেকে বলতে পারি, কাঠামো ঠিক থাকলে বিশ্লেষণ টেকে; কাঁচামাল নষ্ট হলে সুন্দর কাঠামোও অর্থহীন।

ট্রান্সফার উইন্ডোর ভিড়ে আমরা প্রতিদিন গুজব আর প্রমাণের মধ্যে ফিল্টার চাই—কোন সূত্র কতটা বিশ্বাসযোগ্য, কোন দাবির পেছনে কতটা টাকা, কতটা কনট্র্যাক্ট, কতটা এজেন্ট-চালনা। পাইপলাইনের লেবেলও ঠিক একই ফিল্টার দাবি করে; একটি ভুল ক্যাটাগরি আইডি সেই ফিল্টারকে ফাঁকি দিয়ে গোটা ফিডের সংক্রমণ ঘটাতে পারে।

এখানে থেমে একটি সতর্কতা জরুরি। ভূমিকম্পটি লেবেল-ত্রুটির কারণ নয়; দুটি ঘটনা কাকতালীয়ভাবে একসঙ্গে ঘটেছে, আর সম্পর্ককে কারণ ভেবে নেওয়াই আমার পেশার সবচেয়ে পুরনো ফাঁদ। স্টেডিয়াম নীরব হলে হোম-অ্যাডভান্টেজ কমেছে—এটি একটি শক্তিশালী প্রাকৃতিক পরীক্ষা, তবুও আমি কখনো বলিনি ভিড়ই একমাত্র কারণ; ঠিক তেমনি একটি নিশ্চিত ক্লাসিফিকেশন ব্যর্থতা গোটা পাইপলাইনের ক্ষয়ের প্রমাণ নয়। একটি বাগ আর একটি সিস্টেম-ত্রুটি এক নয়; প্রথমটিতে আত্মবিশ্বাস উচ্চ, দ্বিতীয়টিতে মধ্যম, আর মূল কারণ নির্ণয়ে আত্মবিশ্বাস মধ্যম থেকে নিম্ন।

দ্বিতীয় সতর্কতা প্রযুক্তি নিয়ে। ব্লকচেইন একটি অপরিবর্তনীয় অডিট-ট্রেইল দিতে পারে, কিন্তু ভুল ট্যাক্সোনমিকে সে নিজে থেকে ঠিক করতে পারে না; নিখুঁত লেজারে লেখা একটি ভুল লেবেলও শেষ পর্যন্ত ভুলই থাকে। সমস্যার মূল taxonomy ডিজাইনে, সত্তা-সনাক্তকরণের সংজ্ঞায়। এখানে অতিরঞ্জনও বিপজ্জনক—প্রতিটি অ-ফুটবল প্রতিবেদনকে সংকট বানানো ঠিক নয়। উল্টো দিকটাও সত্য: সত্যিকারের বড় একটি ভূমিকম্প ফুটবলকে স্পর্শ করতে পারে—ম্যাচ স্থগিত, স্টেডিয়াম নিরাপত্তা পরিদর্শন, ভ্রমণ ব্যাঘাত। কিন্তু ২.২ মাত্রার, অনুভব-অযোগ্য, কোনো নির্ধারিত ম্যাচের সঙ্গে অনুল্লিখিত এই কম্পন সেটি নয়। তথ্য যতটুকু বলে, ততটুকুই লিখব; তার বেশি নয়।

সামনের ধাপে যা করণীয়, তা প্রযুক্তিগত এবং নৈতিক দুই-ই। এই ইনপুটটি ফুটবল ফিড থেকে আলাদা করে সিসমোলজি ফিডে পাঠানো, পুনরাবৃত্তি পর্যবেক্ষণ করা, আর ইনজেশন স্তরে একটি ফুটবল-সত্তা উপস্থিতি পরীক্ষা যোগ করা—এগুলোই পরবর্তী সংকেত। যদি আরও একটি অ-ফুটবল প্রতিবেদন “football” লেবেল নিয়ে হাজির হয়, তবেই ধরে নেব ব্যর্থতা পদ্ধতিগত। আস্থা কোনো অনুভূতি নয়, আস্থা প্রমাণযোগ্যতা—আর প্রমাণযোগ্যতা শুরু হয় সেই মুহূর্তে, যখন প্রতিটি লেবেল তার বিষয়বস্তুর কাছে জবাবদিহি করতে বাধ্য হয়।