ব্লকচেইনে ডেটার সত্যতা: যখন একটি দুর্গাপূজার গাউন 'ক্রিকেট_এশিয়া' লেবেল কুড়িয়ে নিল
**মূল উত্তর:** একটি দুর্গাপূজার ফ্যাশন নিবন্ধ ভুলবশত 'cricket_asia' ডেটাসেটে ঢুকেছিল। আট ডাইমেনশনের বিশ্লেষণে দেখা যায় এতে কোনো ম্যাচ, খেলোয়াড়, দল, লিগ বা গভর্নেন্স তথ্য নেই—এটি একটি পাইপলাইন মিসক্লাসিফিকেশন, যা ক্রিকেট ডেটাসেটকে দূষিত করে এবং বাদ দেওয়া উচিত। **মূল তথ্য:** - নিবন্ধে কোনো ম্যাচ নেই: টেস্ট, ওডিআই, টি-টোয়েন্টি বা ভেন্যু তথ্য সম্পূর্ণ অনুপস্থিত। - নামযুক্ত ব্যক্তি মান্দিরা চক্রবর্তী একজন অভিনেত্রী, ক্রিকেটার নন; কোনো ব্যাটিং/বোলিং ডেটা নেই। - স্টেজ-১ ডোমেইন লেবেল 'cricket_asia' একটি শ্রেণীবিভাগ ভুল, উৎসব-কীওয়ার্ড দ্বারা সম্ভবত প্রভাবিত। - আটটি বিশ্লেষণ ডাইমেনশনের প্রতিটিতে ফলাফল অভিন্ন: অপর্যাপ্ত তথ্য। - সুপারিশ: ন্যূনতম একটি স্বীকৃত ক্রিকেট এনটিটি ছাড়া ক্রিকেট লেবেল প্রয়োগ নিষিদ্ধ। **সূত্র উল্লেখ:** স্টেজ-২ গভীর পেশাগত বিশ্লেষণ প্রতিবেদন (সোর্স ডকুমেন্টে প্রকাশের সুনির্দিষ্ট তারিখ উল্লেখ নেই) | Cross-checked: cricsultan.com **সম্পর্কিত প্রশ্নোত্তর:** Q: কেন এই নিবন্ধটি ক্রিকেট ডেটাসেটে ঢুকেছিল? A: ফেস্টিভ্যাল-কীওয়ার্ড ও বাংলা ভাষার সহ-অবস্থানের কারণে ক্লাসিফায়ার বিভ্রান্ত হয়েছিল। Q: এই ধরনের ভুল ঠেকানোর উপায় কী? A: অন-চেইন ডোমেইন গেট এবং পৃথক এনটিটি রেজিস্ট্রি প্রয়োগ করা, যা cricsultan.com ডেটা-অখণ্ডতা সূচকে পরিমাপযোগ্য। Q: এটি কি ক্রিকেট বিশ্লেষণের জন্য ব্যবহারযোগ্য? A: না, এটি সম্পূর্ণ বাদ দিয়ে বিনোদন/ফ্যাশন হিসেবে পুনঃশ্রেণীবদ্ধ করা উচিত।
গতকাল রাত ১১টা ৪৭ মিনিটে আমার ইনজেশন পাইপলাইন একটি মিথ্যা বলেছিল। একটি নতুন রেকর্ড ঢুকল, ডোমেইন লেবেল—cricket_asia। আমি টেবিল খুললাম। ৬৪ ম্যাচের স্প্রেডশিট নেই, PPDA নেই, xG নেই, সেট-পিস xG নেই, কভার করা দূরত্ব নেই। বদলে আছে একটি মারুন রঙের গাউন, গয়নার তালিকা, মেকআপের স্তর, আর ছবির ক্রমিক নম্বর—১/১০ থেকে ৭/১০। অভিনেত্রী মান্দিরা চক্রবর্তীর দুর্গাপূজার আগের লুক। কোনো ইনিংস নেই, কোনো উইকেট নেই, একটি বলও নেই। তবু পাইপলাইন এটিকে ক্রিকেট ডেটাসেটে ঢুকিয়ে দিল, নিঃশব্দে, কোনো সতর্কবার্তা ছাড়াই।
তেরো বছরের ডেটা-জীবনে আমি অনেক মিথ্যা দেখেছি—ভুল xG, ভুল ফর্মেশন, ভুল ফুটবল ম্যাচের স্কোর, ভুল মিনিটে বসানো গোল। কিন্তু একটি উৎসবের পোশাককে 'ক্রিকেট' বলা নতুন ধরনের মিথ্যা। কারণ এবার মিথ্যাটা স্কোরবোর্ডে নয়, লেবেলে। আর লেবেল হলো সেই জায়গা, যেখানে ডেটা চুপচাপ সত্য বলে দেওয়ার ভান করে।
আমি ট্যামিম খান, চট্টগ্রামের এক ডেটা জার্নালিস্ট। ২০১৭ সালে, চট্টগ্রাম বিশ্ববিদ্যালয়ের একুশ বছরের স্ট্যাটিসটিক্স ছাত্র হিসেবে, আমি xG চট্টগ্রাম পেজ চালু করি। আমি xG চট্টগ্রাম বানিয়েছিলাম কারণ লিগ টেবিলটা স্পষ্ট দৃষ্টির সামনেই মিথ্যা বলছিল। চট্টগ্রাম আবাহনী শেখ জামাল ধানমন্ডিকে ২-১ গোলে হারানোর পর আমি চোদ্দটি শট হাতে লিখে xG মান বসাই। ফল: আবাহনী ১.৩ xG থেকে ২ গোল, শেখ জামাল ১১ শট থেকে ১.৯ xG। পোস্টটি ৫,২০০ শেয়ার পেল। সেদিন বুঝলাম, নতুন মিডিয়া হট টেকের চেয়ে যাচাইযোগ্য সংখ্যাকে পুরস্কৃত করে।
২০১৮ রাশিয়া বিশ্বকাপে আমি ৬৪ ম্যাচের একটি স্প্রেডশিট বানালাম—PPDA, xG, সেট-পিস xG, দূরত্ব। ৬৪ ম্যাচের সেই স্প্রেডশিট কোনো ভবিষ্যদ্বাণী ছিল না; এটি ছিল একটি স্বীকারোক্তি—আমি কী গুনতে পারিনি তার হিসাব। ক্রোয়েশিয়া প্রতি ম্যাচে ১.৪ xG খেলেও দুটি পেনাল্টি শুটআউট জিতল, ফ্রান্স দিল মাত্র ০.৮ xG। "World Cup by Numbers" থ্রেড ১৮,০০০ ফলোয়ার এনে দিল।
২০২০-তে ফার্লো হয়ে আমি ৩০৬ ম্যাচ স্ক্র্যাপ করলাম—বুন্দেসলিগা, প্রিমিয়ার লিগ, লা লিগা, সিরি আ, লিগ ১—খালি স্টেডিয়ামের আগে ও পরে। হোম জয়ের হার ৪৫.২% থেকে ৪০.১%-এ নামল, হোম গোল প্রতি ম্যাচে ১.৫৩ থেকে ১.২৬-তে। স্টেডিয়াম খালি হলে সংখ্যাগুলো চুপ করেনি; তারা তাদের টান বদলে ফেলেছিল। তখন আমি শিখলাম, প্রতিটি নিবন্ধে কন্ট্রোল ভেরিয়েবল রাখতে হয়, এবং "হোম অ্যাডভান্টেজ"-কে ক্লিশে ধরে নেওয়া যায় না।
এই তেরো বছরে আমি একটি কাজ করেছি অবিরাম—ডেটা অডিট। প্রতিটি লেবেল, প্রতিটি সোর্স, প্রতিটি অ্যাসাম্পশন। কারণ আমি জানি, ডেটা নিজে মিথ্যা বলে না; পাইপলাইন মিথ্যা বলে। আর যখন একটি পাইপলাইন ক্রিকেট চিনতে ভুলে যায়, তখন সে যেকোনো বাংলা শব্দকে ক্রিকেট ভাবতে শুরু করে। 'পূজা' শব্দটি, একটি বাংলা নাম, একটি উৎসবের তারিখ—এই তিনটি একসাথে এলে আমাদের ক্লাসিফায়ার বিভ্রান্ত হয়। সেটাই এখন আমার সামনে পড়ে আছে।
আমি সেই রেকর্ডটি আটটি ডাইমেনশনে অডিট করলাম। ফলাফল নির্মমভাবে স্পষ্ট, এবং প্রতিটি ডাইমেনশন একই জায়গায় থেমে গেল।
ফরম্যাট ও ম্যাচ: কোনো ফরম্যাট নেই। টেস্ট, ওডিআই, টি-টোয়েন্টি, দ্য হান্ড্রেড—কিছুই নেই। পাওয়ারপ্লে নেই, মিডল ওভার নেই, ডেথ ওভার নেই। সেশন নেই, ভেন্যু নেই, পিচ নেই, ডিউ নেই, DLS নেই। একটি ক্রিকেট নিবন্ধে যদি একটি ম্যাচও না থাকে, তবে সেটি ক্রিকেট নিবন্ধ নয়। এত সহজ কথা, অথচ পাইপলাইন ধরতে পারল না।
প্লেয়ার ডেটা: মান্দিরা চক্রবর্তী একজন অভিনেত্রী, ক্রিকেটার নন। ব্যাটিং গড় নেই, স্ট্রাইক রেট নেই, বোলিং ইকোনমি নেই, সিচুয়েশনাল স্প্লিট নেই, বয়স-কার্ভ নেই। উপস্থিত একমাত্র "ডেটা" হলো ছবির সূচক—১/১০, ৪/১০, ৭/১০—আর স্টাইলিং অ্যাট্রিবিউট: গাউনের কাট, গয়না, মেকআপ। এগুলো ক্রিকেট মেট্রিক নয়, এবং এগুলোকে ক্রিকেট মেট্রিকে অনুবাদ করা হবে নিছক বানানো তথ্য। আমি তা করতে অস্বীকার করি।
টিম ল্যান্ডস্কেপ: কোনো জাতীয় দল নেই, ফ্র্যাঞ্চাইজি নেই, আইসিসি র্যাঙ্কিং নেই, স্কোয়াড নেই, বেঞ্চ ডেপথ নেই, বয়স-স্ট্রাকচার নেই। ভৌগোলিক অ্যাঙ্কর—'এশিয়া', 'বাংলা'—সাংস্কৃতিক, প্রতিযোগিতামূলক নয়।
লিগ ও কমার্শিয়াল ইকোসিস্টেম: আইপিএল নেই, বিপিএল নেই, পিএসএল নেই, এসএ২০ নেই, এমএলসি নেই। কোনো ব্রডকাস্ট-রাইট মূল্য নেই, ফ্র্যাঞ্চাইজি ভ্যালুয়েশন নেই, নিলাম নেই, পার্স নেই, আরটিএম নেই, ট্রান্সফার ফি নেই।
রুলস ও গভর্নেন্স: আইসিসি নেই, বিসিসিআই নেই, ইসিবি নেই, সিএ নেই, এনওসি নেই, দুর্নীতি-বিরোধী ইউনিট নেই, এলিজিবিলিটি বিতর্ক নেই।
রিস্ক: স্পোর্টিং রিস্ক, পার্সোনেল রিস্ক, কমার্শিয়াল রিস্ক—সব শূন্য। কিন্তু প্রকৃত ঝুঁকি একটাই—ডেটা-পাইপলাইনের দূষণ। একটি অ-ক্রিকেট কনটেন্ট একটি ক্রিকেট ডেটাসেটে ঢুকে পড়েছে, এবং এটি একটি উচ্চ-সম্ভাবনা, মধ্যম-প্রভাবের ঘটনা।
পাবলিক ন্যারেটিভ: এটি একটি উৎসব-সময়ের সেলিব্রিটি ফ্যাশন গল্প, দুর্গা পূজার ক্যালেন্ডারে বাঁধা। ক্যাপশন—"আমি স্পটলাইট অনুসরণ করি না, আমি স্পটলাইট হয়ে যাই"—ব্যক্তিগত ব্র্যান্ড স্টেটমেন্ট, প্রতিযোগিতামূলক ঘোষণা নয়।
ইন্ডাস্ট্রি ট্রান্সমিশন: সম্প্রচার, স্পনসরশিপ, ট্যালেন্ট সাপ্লাই চেইন, বেটিং, ডেরিভেটিভ—কোনো ক্রিকেট চ্যানেল সক্রিয় হয় না। একমাত্র "ইন্ডাস্ট্রি" ট্রান্সমিশন ঘটছে বিনোদন/সেলিব্রিটি মিডিয়ায়।
আট ডাইমেনশনের প্রতিটিতে উত্তর একই: অপর্যাপ্ত তথ্য। এখানে কোনো ডেটা নেই, শুধু একটি ভুল লেবেল আছে। আর ভুল লেবেল হলো সবচেয়ে বিপজ্জনক দূষণ, কারণ সে নিজেকে সত্য বলে চালায়।
এখন আসল প্রশ্ন: এই মিথ্যা কীভাবে থামানো যায়? এখানেই ব্লকচেইন প্রাসঙ্গিক হয়ে ওঠে—তবে সাবধানে, কারণ ব্লকচেইন নিজে কোনো সমস্যার সমাধান নয়।
আমি তিন স্তরের ব্যবস্থা দেখি। প্রথম স্তর—ডোমেইন গেট। একটি কনটেন্ট ক্রিকেট ডেটাসেটে ঢোকার আগে তাকে ন্যূনতম একটি স্বীকৃত ক্রিকেট এনটিটি দেখাতে হবে: একটি খেলোয়াড়ের নাম, একটি ম্যাচ আইডি, একটি ভেন্যু, বা একটি টুর্নামেন্ট আইডি। যদি এই গেটের প্রতিটি সিদ্ধান্ত একটি অপরিবর্তনীয় লেজারে লিপিবদ্ধ থাকে, তাহলে কে, কখন, কোন নিয়মে একটি কনটেন্টকে ক্রিকেট বলল—তা কেউ পরে মুছে ফেলতে পারবে না, অস্বীকার করতে পারবে না। আজ আমাদের সমস্যা শুধু ভুল নয়; সমস্যা হলো ভুলের কোনো অডিট ট্রেইল নেই। একটি রেকর্ড ঢুকে যায়, কেউ জানে না কেন, কেউ প্রমাণ করতে পারে না কখন।
দ্বিতীয় স্তর—পৃথক এনটিটি রেজিস্ট্রি। অভিনেত্রী ও ক্রিকেটার একই তালিকায় থাকলে এনটিটি গ্রাফ দূষিত হয়। একটি স্মার্ট কনট্র্যাক্ট দিয়ে বাধ্যতামূলক করা যায়: বিনোদন এনটিটি ও ক্রীড়া এনটিটি দুটি আলাদা অন-চেইন রেজিস্ট্রিতে থাকবে, ক্রস-রাইটিং নিষিদ্ধ। এতে ভবিষ্যতে কোনো সেলিব্রিটি নাম ক্রিকেট এনটিটি ইনডেক্সে ঢুকতে পারবে না।
তৃতীয় স্তর—মিসক্লাসিফিকেশন রেট একটি পাইপলাইন KPI হিসেবে। যদি এই ধরনের ভুল লেবেল ভলিউমে বাড়ে, তাহলে এনটিটি-ফ্রিকোয়েন্সি ও সেন্টিমেন্ট সিগন্যাল বিকৃত হবে, এবং ডাউনস্ট্রিম ক্রিকেট মডেলগুলো একটি ফলস পজিটিভ উত্তরাধিকার হিসেবে পাবে। ব্লকচেইনের স্বচ্ছতা এখানে সাহায্য করে: প্রতি মাসে কত শতাংশ রেকর্ড ভুল লেবেল পেল, তা অন-চেইন প্রকাশ করা যায়, এবং যে কেউ তা যাচাই করতে পারে।
কিন্তু আমি সৎ থাকব। ব্লকচেইন কোনো জাদু নয়। সে একটি ভুল ক্লাসিফায়ারকে সঠিক করে না। সে শুধু নিশ্চিত করে যে ভুলটি লুকানো যাবে না, অস্বীকার করা যাবে না। ডেটা-অখণ্ডতার জন্য এটাই দরকার—মিথ্যার অপরিবর্তনীয় রেকর্ড।
এখানে একটি অস্বস্তিকর সম্ভাবনা আছে, যা আমি এড়িয়ে যেতে পারি না। হয়তো এই ভুলটি নিবন্ধ সম্পর্কে বেশি বলে না; এটি আমাদের মডেল সম্পর্কে বেশি বলে। কারণ একটি ভুল ততক্ষণ নিরীহ, যতক্ষণ সে বিচ্ছিন্ন। কিন্তু যদি বাংলা ভাষার বিনোদন ফিড থেকে এমন শত শত ভুল লেবেল আসে, তাহলে সমস্যাটি কনটেন্টে নয়, ক্লাসিফায়ারে।
আরও একটি সতর্কতা, যা আমার পেশাগত অভ্যাসের অংশ: সম্পর্ক মানে কারণ নয়। 'পূজা' শব্দ আর ক্রিকেট—এই দুটির মধ্যে সহ-অবস্থান আছে, কারণ নেই। আমাদের পাইপলাইন দুটোকে গুলিয়ে ফেলেছে কারণ সে পার্থক্য করতে শেখেনি। আমি ২০২০-তে এটাই শিখেছিলাম, যখন "হোম অ্যাডভান্টেজ"-কে ক্লিশে ধরে নেওয়া বন্ধ করে ভিড়ের প্রভাব সংখ্যায় মাপতে শুরু করলাম। একইভাবে, ভৌগোলিক ট্যাগকে বিষয়গত ট্যাগ ভাবা যায় না। 'এশিয়া' একটি ভৌগোলিক অ্যাঙ্কর; 'ক্রিকেট' একটি বিষয়। দুটো আলাদা স্তর, আলাদা সিদ্ধান্ত।
তবে এটাও স্বীকার করি: ব্লকচেইন-সমাধান নিজেই একটি ফাঁদ হতে পারে। ডেটা মঙ্ক সংখ্যাকে পূজা করে না; সে সংখ্যাকে জেরা করে যতক্ষণ না সে প্রসঙ্গ স্বীকার করে। যদি আমি প্রতিটি ছোট ভুলের জন্য চেইনে রেকর্ড লিখতে শুরু করি, তাহলে আমার লেজার স্প্রেডশিট স্প্রলের মতো ফুলে উঠবে এবং পড়ার অযোগ্য হয়ে যাবে। শৃঙ্খলা হলো—একটি সূচক মেট্রিক দিয়ে শুরু করো, বাকিটা পরিশিষ্টে রাখো। এই নিবন্ধে সেই সূচক হলো মিসক্লাসিফিকেশন রেট।
আমি এই রেকর্ডটি ক্রিকেট বিশ্লেষণ থেকে বাদ দিলাম। আমার পেশাগত রায় পরিষ্কার: এখানে কোনো ম্যাচ নেই, খেলোয়াড় নেই, দল নেই, লিগ নেই, গভর্নেন্স নেই, কমার্শিয়াল ক্রিকেট নেই। সঠিক পদক্ষেপ—এটি স্টেজ-১-এ ফেরত পাঠানো, বিনোদন/ফ্যাশন হিসেবে পুনঃশ্রেণীবদ্ধ করা, এবং ভুলটিকে একটি পাইপলাইন-কোয়ালিটি ইনসিডেন্ট হিসেবে গণ্য করা, কোনো ক্রিকেট ডেটা পয়েন্ট হিসেবে নয়।
পরবর্তী রাউন্ডে আমি যে তিনটি সংকেত দেখব: ডোমেইন-লেবেলের নির্ভুলতা, এনটিটি-রেজিস্ট্রির পৃথকীকরণ, এবং ফেস্টিভ্যাল-কীওয়ার্ড ফলস পজিটিভের ক্লাস্টার। এই তিনটি যদি একসাথে বাড়তে শুরু করে, তাহলে বুঝব—সমস্যা কনটেন্টে নয়, আমাদের চোখে।
আর একটি প্রশ্ন আমার মাথায় ঘুরপাক খাচ্ছে: যদি একটি পূজার গাউন ক্রিকেট ডেটাসেটে ঢুকে পড়তে পারে, তাহলে সেই ডেটাসেটের আর কতটা আমি বিশ্বাস করব? সংখ্যা মিথ্যা বলে না—কিন্তু লেবেল বলে। আর লেবেল যদি অন-চেইন না থাকে, তাহলে কে প্রমাণ করবে, কোনটি সত্য ছিল?