ফুটবল-লেবেলযুক্ত নিবন্ধে ফুটবল নেই: ডেটা-পাইপলাইনের মিসলেবেলিং বিপদসংকেত

হুক একটি ফাইল আমার ডেস্কে এল। ওপরে লেখা: ডোমেইন—ফুটবল। আমি খুলনা এক্সজি লেজার খুললাম, এবং সংখ্যাগুলো শ্বাস নিতে শুরু করল। কিন্তু এবার লেজারের প্রথম পাতাতেই থমকে গেলাম। ৩৬টি তথ্য-বিন্দুর মধ্যে কোথাও ক্লাব নেই, কোচ নেই, খেলোয়াড় নেই, ট্রান্সফার নেই, ট্যাকটিক্যাল সিস্টেম নেই। নয়টি বিশ্লেষণ-মাত্রার প্রতিটি ঘরে লেখা আছে N/A। যে নিবন্ধটিকে ফুটবল-অ্যানালিটিক্স পাইপলাইনের স্টেজ-১ ডিকন্সট্রাকশন রিপোর্ট বলছে, সেটি আসলে একটি যৌনতা, সম্পর্ক ও আবেগ-সংক্রান্ত পরামর্শ কলাম। একজন স্ত্রী লিখেছেন, তার স্বামী তার পরা কাপড় গোপনে যৌন উত্তেজনার জন্য ব্যবহার করেছেন, এবং তার সম্মতি ছিল না। এরপর একজন সেক্সোলজিস্টের পেশাদার মতামত। এই প্রেক্ষাপটে ফুটবল শব্দটি কোথাও নেই। একজন ডেটা-মঙ্ক হিসেবে আমি বহু বছর ধরে ম্যাচ-রিপোর্টে ফুটবলের খোঁজ করি। আমার ৪৫ বছরের পর্যবেক্ষণ জীবনে প্রথমবার একটি ফুটবল-লেবেলযুক্ত নথির ভেতরে ফুটবলের কোনো চিহ্নই পেলাম না। এটি আমার কাছে খেলার চেয়ে ডেটা-গুণগত মানের এক চূড়ান্ত পরীক্ষা হয়ে দাঁড়িয়েছে। একটি অটোমেটেড ক্লাসিফায়ার নিবন্ধটিকে ফুটবল বলে চিহ্নিত করেছে, অথচ এর প্রকৃত বিষয়বস্তু ব্যক্তিগত সম্পর্কের একটি সীমা-লঙ্ঘন। এই ভুল লেবেল যদি কোনো মডেলে ঢুকে যায়, তাহলে আউটপুটে দেখা দেবে কাল্পনিক ফুটবল তারকা, কাল্পনিক ট্রান্সফার ফি, কাল্পনিক ট্যাকটিক্যাল প্রোফাইল। এটাই বড় সংকট। প্রসঙ্গ যেকোনো ডেটা-পাইপলাইনের প্রথম কাজ হলো সঠিক ট্যাগ বসানো। স্টেজ-১ ডিকন্সট্রাকশন মানে হলো, একটি নিবন্ধকে ছোট ছোট তথ্য-বিন্দুতে ভেঙে ফেলা, যাতে পরবর্তী স্তরের বিশ্লেষক সহজে যাচাই করতে পারেন। এই পদ্ধতিতে যে ডোমেইন লেবেল বসানো হয়, সেটিই পরবর্তী নয়টি মাত্রার পথ নির্ধারণ করে। এখানে সেই লেবেলই ভুল। ভুলটি কোথায় হলো? দুটি সম্ভাবনা। প্রথমত, অটোমেটেড ক্লাসিফায়ারটি নিবন্ধের ভেতরের কিছু শব্দ দেখে ফুটবল ট্যাগ বসিয়ে দিল; হয়তো ‘খেলা’ বা ‘সম্পর্ক’ বা ‘নিয়ম’ ধরনের শব্দ তাকে বিভ্রান্ত করেছে। দ্বিতীয়ত, স্টেজ-১ পাইপলাইনের ‘Entities Involved’ ঘরটি খালি রাখা হয়েছে, ফলে ভুল লেবেল ধরার জন্য প্রাথমিক গেটটি কাজ করেনি। আসল ঘটনা কী? যে নিবন্ধটি বিশ্লেষণের জন্য পাঠানো হয়েছে, সেটিতে একটি দাম্পত্য সম্পর্কের কথা বলা হয়েছে। স্ত্রীর বক্তব্য: স্বামী তার ব্যবহৃত পোশাক গোপনে যৌন উদ্দীপনার জন্য রেখেছিলেন এবং ব্যবহার করতেন। এটি ছিল সম্মতি-সংক্রান্ত একটি সীমানা-লঙ্ঘন। সেক্সোলজিস্টের উত্তরটি ছিল পেশাদার এবং সীমিত: এই আচরণ সম্পর্কের ভিতের জন্য ক্ষতিকর হতে পারে, পারস্পরিক চুক্তি ছাড়া এমন গোপন কার্যকলাপ বিশ্বাস ভাঙে। এই ঘটনার সঙ্গে ফুটবলের সম্পর্ক ঠিক ততটুকু, যতটুকু একটি রান্নাঘরের রেসিপির সঙ্গে ট্রান্সফার উইন্ডোর। তবু পাইপলাইন বলছে—ফুটবল। আমি যখন বলি ‘বেলজিয়াম-জাপান আমাকে শিখিয়েছিল, পিপিডিএর পতন পাঁচ মিনিটের অধ্যায়ে লেখা একটি গল্প’, তখন আমি আসলে ডেটার আচরণ সম্পর্কে বলি। ২০১৮ সালের সেই ম্যাচে জাপান ৬০ মিনিটের পর প্রেসিং বন্ধ করে দিল; পিপিডিএ ৮.১ থেকে ১৪.৩-এ উঠে গেল, বেলজিয়ামের এক্সজি ০.৬ থেকে ২.৪-এ চড়ল। পুরো ম্যাচটি কয়েকটি পাঁচ-মিনিটের অধ্যায়ে ভাগ করা যায়। আজকের এই মিসলেবেলিং কাণ্ডটিও ঠিক তেমনই একটি পাঁচ-মিনিটের অধ্যায়, কিন্তু সেটি ম্যাচের নয়; এটি ডেটা-পাইপলাইনের প্রথম স্তরের পতন। প্রথম স্তরেই প্রেসিং ভেঙে পড়েছে, তাই পরবর্তী স্তরগুলোতে কোনো খেলোয়াড়ই খুঁজে পাওয়া যাচ্ছে না। মূল বিশ্লেষণ আমি খুলনা এক্সজি লেজার খুললাম, এবং সংখ্যাগুলো শ্বাস নিতে শুরু করল। এই অভ্যাসটি আমি ২০১৭ সালে শুরু করি। তখন বাংলাদেশ প্রিমিয়ার লিগের ২৪টি ম্যাচ আমি হাতে ট্যাগ করতাম; ১৮,০০০ ইভেন্ট লগ করেছিলাম। আবাহনী লিমিটেড ঢাকা বনাম শেখ রাসেল ক্রীড়া চক্রের ম্যাচে এক্সজি ২.৩–১.১ দেখিয়েছিল, কিন্তু ফলাফল ১–১। তখন আমি লিখেছিলাম, ‘লাক’ নয়; দলটি ১৪টি শট নিয়েছিল নিম্ন-মানের এলাকা থেকে। সেই দিনই শিখেছিলাম, একটি ভুল ট্যাগ সঠিক তথ্যের চেয়েও মারাত্মক। ট্যাগ যদি বলে ‘শট’, কিন্তু আসলে সেটি ‘পাস’, তবে পুরো এক্সজি হিসাব ভুল হবে। আজকের ফাইলটি সেই শিক্ষারই চূড়ান্ত পরীক্ষা। নয়টি মাত্রার খাতা ধরে ধরে দেখি। প্রথম মাত্রা, ট্যাকটিক্যাল অ্যানালাইসিস। এখানে লেখা, জটিলতা, এক্সিকিউশন, পার্সোনেল ফিট, কী ডেটা—সবকিছুই N/A। কারণ, সূত্রে কোনো ফরমেশন নেই, কোনো প্রেসিং লাইন নেই, কোনো পাসিং নেটওয়ার্ক নেই। দ্বিতীয় মাত্রা, ক্লাব ফাইন্যান্স ও ট্রান্সফার মার্কেট। ব্রডকাস্টিং রেভিনিউ, কমার্শিয়াল রেভিনিউ, ওয়েজ এক্সপেন্ডিচার, নেট ডেট—সব ফাঁকা। কোনো ট্রান্সফার ফি নেই, কোনো চুক্তি নেই, কোনো এজেন্ট নেই। তৃতীয় মাত্রা, স্পোর্টিং রেজাল্ট ও পাবলিক-অপিনিয়ন সাইকেল। কোনো ম্যাচের ফল নেই, কোনো ফর্ম কার্ভ নেই, কোনো ম্যানেজারের ওপর চাপ নেই। চতুর্থ মাত্রা, লিগ ল্যান্ডস্কেপ। কোনো ক্লাব নেই, কোনো লিগ নেই, কোনো পদের শ্রেণিবিন্যাস নেই। পঞ্চম মাত্রা, রুলস ও গভর্নেন্স। ফাইন্যান্সিয়াল ফেয়ার প্লে, ট্রান্সফার রেজিস্ট্রেশন, ডিসিপ্লিনারি স্যাংকশন—কোনোটিই প্রাসঙ্গিক নয়। ষষ্ঠ মাত্রা, ম্যানেজমেন্ট ও ড্রেসিং-রুম। মালিক, স্পোর্টিং ডিরেক্টর, হেড কোচ, স্কোয়াড—কেউ নেই। সপ্তম মাত্রা, রিস্ক প্রোফাইল। ইনজুরি, সাসপেনশন, ফাইন্যান্সিয়াল রিস্ক—কোনোটিই নেই। অষ্টম মাত্রা, মিডিয়া ন্যারেটিভ। ট্রান্সফার গুজব, হাইপ সাইকেল, এক্সপেকটেশন গ্যাপ—সব শূন্য। নবম মাত্রা, ফুটবল ইন্ডাস্ট্রি ট্রান্সমিশন। অ্যাকাডেমি, এজেন্ট, ব্রডকাস্টিং, ক্যাপিটাল নেটওয়ার্ক—কোনো পথই তৈরি হয়নি। এই নয়টি স্তরের প্রতিটিতে একটিই বাক্য: অপর্যাপ্ত তথ্য, প্রযোজ্য নয়। কিন্তু এই N/A-গুলিই আসল তথ্য। এগুলি বলছে, সিস্টেমের প্রথম স্তরে একটি মারাত্মক ফিল্টার ব্যর্থ হয়েছে। তথ্য-মানের ভাষায় একে বলে ডোমেইন মিসম্যাচ। মানে, একটি রেকর্ডের শ্রেণিবিন্যাস তার প্রকৃত বিষয়বস্তুর সঙ্গে মেলে না। এটি অটোমেটেড কনটেন্ট পাইপলাইনের সবচেয়ে সাধারণ ত্রুটিগুলোর একটি। সাধারণত টেক্সট-ক্লাসিফায়াররা কীওয়ার্ডের ওপর নির্ভর করে; ‘খেলোয়াড়’ শব্দটি দেখলে তারা খেলাধুলার ট্যাগ বসিয়ে দিতে পারে, অথচ সেটি হতে পারে দাবা বা ভিডিও গেমের খেলোয়াড়। এখানে আরও সূক্ষ্ম সমস্যা আছে। নিবন্ধটি একজন মানুষের যৌন-জীবন নিয়ে, যেখানে ‘সম্মতি’, ‘সীমানা’, ‘বিশ্বাস’, ‘গোপনীয়তা’—এই শব্দগুলো আছে। একটি নিম্নমানের ক্লাসিফায়ার হয়তো ‘সম্পর্ক’ শব্দ দেখে ‘রিলেশনশিপ’ ধরল, পরে কোনো কারণে ‘ফুটবল’ ট্যাগের সঙ্গে গুলিয়ে ফেলল। আমরা জানি না। কিন্তু ফলাফল স্পষ্ট: একটি অ-ফুটবল নিবন্ধ ফুটবল-বিশ্লেষণ পাইপলাইনে প্রবেশ করেছে। এখানে ব্লকচেইনের কথা মনে পড়ে যায়। ব্লকচেইন যদি অপরিবর্তনীয় খাতা হয়, তাহলে প্রতিটি এন্ট্রিতে স্বাক্ষর থাকে, প্রতিটি ব্লক আগের ব্লকের সঙ্গে যুক্ত। ডেটা-পাইপলাইনকে সেভাবে গড়া যায় না; কিন্তু আদর্শ হওয়া উচিত। প্রতিটি রেকর্ডে এনটিটি-কনসিস্টেন্সি ভ্যালিডেশন গেট থাকা দরকার। ‘ফুটবল’ লেবেলের সঙ্গে ফুটবল-অ্যাক্টর না থাকলে, সেই রেকর্ডকে পরবর্তী স্তরে পাঠানো যাবে না। আমার খাতায় আমি একে বলি, ‘ডেটা-গেট’। এই গেট না থাকলে যে ক্ষতি হয়, তার একটি বাস্তব উদাহরণ হলো আজকের ফাইলটি। এটিকে কোনো ফুটবল মডেলে ঢোকালে কী ঘটত? ধরুন, একটি ট্রান্সফার-ভ্যালুয়েশন অ্যালগরিদম ‘ফুটবল’ ট্যাগ দেখে নিবন্ধের শব্দগুলো থেকে চরিত্র বানাত। ফলাফল: একটি কাল্পনিক খেলোয়াড় প্রোফাইল, যার ‘সম্মতি-সীমানা-গোপনীয়তা’ নামের পরিসংখ্যান থাকত। বাজে শোনালেও, অটোমেটেড ডেটা-পাইপলাইনে এমন ঘটনা ঘটে। এক-একটি ভুল এন্ট্রি বড় ডেটাসেটে গিয়ে পৌঁছালে, মেশিন লার্নিং মডেল সেই ভুলকে ‘সত্য’ হিসেবে শিখে নেয়। তারপর সেই মডেল ভবিষ্যদ্বাণী করে, কোন ক্লাব কার খেলোয়াড় কিনবে। যে ভবিষ্যদ্বাণীর ভিত্তিতে টাকা খরচ হয়। ঝুঁকির খাতা এই রেকর্ডটির ইনফরমেশন ভ্যালু রেটিং আমি পাঁচ তারার মধ্যে এক তারাও দিতে পারিনি। স্পোর্টিং ভ্যালু শূন্য, ইন্ডাস্ট্রি ভ্যালু শূন্য, টাইমলাইনেস ভ্যালু শূন্য, রেফারেন্স ভ্যালু শূন্য। তবে একটি বিষয়ে এর রেফারেন্স মূল্য আছে: এটি একটি ডেটা-গুণগত মানের লক্ষণ। অর্থাৎ, এই খাতাটি ফুটবল-বিশ্লেষণের নয়, বরং পাইপলাইন-পরীক্ষার নমুনা। যে ক্লাসিফায়ার ‘ফুটবল’ লেবেল বসিয়েছে, সে কীভাবে কাজ করছে, তা বোঝার জন্য এই রেকর্ডটি অমূল্য। স্টেজ-১-এর ‘Entities Involved’ ফিল্ড ফাঁকা থাকা আরও একটি বিপদ। পাইপলাইন যদি এই ঘরটি নিজে নিজে পূরণ করতে চায়, তাহলে এটি হয়তো ‘স্বামী’, ‘স্ত্রী’, ‘সেক্সোলজিস্ট’—এদের কারো নামকে ফুটবল-অ্যাক্টর বানিয়ে দিতে পারে। ডেটা-গেট না থাকলে এই কাল্পনিক অ্যাক্টররা পরবর্তী বিশ্লেষণে ‘আসল খেলোয়াড়’ হয়ে উঠবে। আমি ২০২০ সালে খালি স্টেডিয়ামে হোম অ্যাডভান্টেজ নিরীক্ষা করেছিলাম; ৩০৬টি ম্যাচের পর দেখেছিলাম, দর্শকশূন্য মাঠে হোম দলের এক্সজি-সুবিধা ০.৩১ থেকে নেমে ০.০৮-এ এসেছে। ডর্টমুন্ড-শালকের ৪-০ ম্যাচে আমি দূরত্ব ও পিপিডিএ লগ করেছিলাম; চার গোলের রাতে হোম অ্যাডভান্টেজের চেয়ে প্রেসিং-তীব্রতাই বেশি কথা বলেছে। তখন আমি শিখেছিলাম, সতর্কতা ছাড়া কোনো সিদ্ধান্ত নেওয়া যায় না। আজকের পরীক্ষাটিও একই রকম। একটি একক রেকর্ড থেকে আমাদের বলা উচিত নয় যে পুরো পাইপলাইন ভেঙে পড়েছে; কিন্তু এই একটি রেকর্ড প্রমাণ করে, স্টেজ-১-এর আউটপুটে বিশ্বাস করার আগে আমাদের যাচাইয়ের স্তর দরকার। স্টেজ-২-এর নয়টি মাত্রা যতই চমৎকার হোক না কেন, ইনপুটই যদি মিথ্যা হয়, আউটপুটও মিথ্যা হবে। ‘মডেল’ কে আমি পূজা করি না; আমি তাকে মৌসুমের কাদা-মাখানো রসিদের সঙ্গে মিলিয়ে দেখি। এখানে রসিদটিই জাল। ২০২২ সালে আম্রাবাতের ৪২ পৃষ্ঠার ডসিয়ের তৈরি করার সময় আমি একই নীতি মেনেছিলাম। সাত ম্যাচে ৭৮টি প্রেসার, ৪১টি ট্যাকল, ৭২.৪ কিলোমিটার কভারেজ লগ করেছিলাম। কিন্তু নমুনা-আকার ছোট, তাই আমি সুপারিশ করতে অস্বীকার করেছিলাম। আজও একই কথা। এই একটি মিসলেবেল রেকর্ড থেকে আমি ফুটবল-অ্যানালিটিক্স পাইপলাইনকে খারাপ বলব না; তবে এটি যে পাইপলাইনের দুর্বলতা দেখিয়েছে, সেটি স্বীকার করতে হবে। একটি দুর্বল পরীক্ষায় পুরো রোগ নির্ণয় হয় না, কিন্তু রোগের লক্ষণ দেখা যায়। লক্ষণ এড়িয়ে চললে চিকিৎসা সম্ভব নয়। বিপরীত কোণ এবার একটু উল্টো দিক থেকে দেখি। কেউ কেউ হয়তো বলবেন, ‘একটি ভুল ট্যাগ নিয়ে এত শোরগোল কেন?’ তাদের যুক্তি দুর্বল নয়। অটোমেটেড ক্লাসিফায়ারের নির্ভুলতা কখনো ১০০ শতাংশ হয় না; মাঝে মাঝে ভুল হবে, এটাই স্বাভাবিক। স্টেজ-১-এর রিপোর্টে অনেক তথ্যই আছে; শুধু ডোমেইন ট্যাগ ভুল। তাহলে কি সম্পূর্ণ বিশ্লেষণ বাতিল করার দরকার ছিল? আমার উত্তর: আংশিক। এই রেকর্ডটি যদি একটি সাধারণ নিউজ-ফিডে যেত, তবে ভুল ট্যাগটি তেমন ক্ষতি করত না; মানুষ পড়ে হাসত। কিন্তু এখানে এটি একটি ফুটবল-অ্যানালিটিক্স পাইপলাইনে এসেছে, যেখানে প্রতিটি মাত্রা ফুটবল-নির্দিষ্ট সিদ্ধান্তে পৌঁছানোর কথা। এই পাইপলাইনকে বিশ্বাস করে ক্লাব, মিডিয়া, এমনকি ট্রান্সফার-বাজার কাজ করে। সেখানে একটি ভুল লেবেল মানে হলো, একজনের ব্যক্তিগত সম্পর্কের গল্পকে দাঁড় করানো হচ্ছে ফুটবল কৌশল হিসেবে। এটা শুধু হাস্যকর নয়, এটি বিপজ্জনকও। কারণ, ডেটা থেকে সিদ্ধান্ত নেওয়ার সময় সেই সিদ্ধান্ত মানুষের জীবনে প্রভাব ফেলে। তবে একথাও ঠিক, একটি নিবন্ধই ‘ডেটা-পাইপলাইন খারাপ’ প্রমাণ করার জন্য যথেষ্ট নয়। নমুনা-আকার সতর্কতা আমার লেখার অভ্যাস। ২০১৭ সালে আমি এক ম্যাচের ফলাফল দেখে কোনও ক্লাবের গুণগত মান নির্ধারণ করিনি; ২০২২ সালে আম্রাবাতের ডসিয়ের তৈরি করেও আমি বলেছিলাম, নমুনা-আকার খুব ছোট। সুতরাং, আজকের এই একটি মিসলেবেল রেকর্ডকে আমি ‘মহামারি’ বলব না। আমি বলব, এটি একটি সিগনাল। সিগনাল অনুসরণ করলে আরও ভুল রেকর্ড খুঁজে পাওয়া যাবে; উপেক্ষা করলে পরবর্তী ভুলটি আরও বড় হতে পারে। এখানে মূল শিক্ষা হলো, কোরিলেশন মানে কজেশন নয়। ভুল লেবেলের কারণে এই নিবন্ধটি ফুটবল-বিশ্লেষণের স্তরে পৌঁছেছে; এর অর্থ এই নয় যে ফুটবল-বিশ্লেষণ খারাপ। বরং এর অর্থ হলো, বিশ্লেষণের আগে যে ডেটা-গেট থাকা দরকার, সেটি এখানে কাজ করেনি। খালি স্টেডিয়ামে হোম অ্যাডভান্টেজের যে নিরীক্ষা করেছিলাম, সেখানে আমি বুঝেছিলাম, পরিবেশ বদলে গেলে পুরনো নিয়ম কাজ করে না। আজও সেই একই কথা: ডেটার পরিবেশ বদলেছে, কিন্তু পাইপলাইনটি পুরনো নিয়মে চলছে। আরও একটি বিষয়। সূত্রে লেখা ‘CONTRA | Not specified’। অর্থাৎ, এটি একটি সাধারণ জীবন-পরামর্শমূলক আউটলেট, যার ফুটবল-সাংবাদিকতা কর্তৃত্ব নেই। ট্রান্সফার-বাজারের গুজব যাচাই করতে আমরা যেমন উৎসের স্তর দেখি, এখানেও সেটাই দেখতে হবে। একটি সম্পর্ক-পরামর্শ কলাম থেকে ফুটবল-খবরের প্রত্যাশা করা যেমন ভুল, তেমনি একটি ফুটবল-পাইপলাইনে এই কলামকে ঢোকানোও ভুল। এই দুই ভুলের মাঝখানে দাঁড়িয়ে রয়েছে ডেটা-গুণগত মানের বিচার। নেওয়ার কথা পরের রাউন্ডের সংকেত স্পষ্ট: প্রতিটি রেকর্ডে ‘এনটিটি-কনসিস্টেন্সি’ গেট বাধ্যতামূলক করতে হবে এবং স্টেজ-১-এর ডোমেইন লেবেলের সঙ্গে প্রকৃত বিষয়বস্তু মিলিয়ে যাচাই করতে হবে। যে রেকর্ডে ফুটবল লেবেল আছে কিন্তু ফুটবল-এনটিটি নেই, তাকে কোয়ারেন্টাইনে পাঠাতে হবে; পুনর্লেবেল করার আগে কোনো মডেলই সেটি ব্যবহার করতে পারবে না। যদি ক্লাসিফায়ারটি বারবার এমন ভুল করে, তবে সেটিকে রি-ট্রেনিংয়ের জন্য ফেরত পাঠানো দরকার। নইলে অচিরেই একটি ভুল লেবেল সঠিক খেলোয়াড়ের ক্যারিয়ারকে ভুল পথে চালিত করবে। ডেটা-গেটের কাজ হলো নিশ্চিত করা, খাতার প্রতিটি এন্ট্রি প্রকৃত ঘটনা দিয়ে লেখা; আর সেই কাজটি আজকের এই অদ্ভুত ফাইলটি আমাদের সামনে পরিষ্কারভাবে তুলে ধরল।