খালি ইনপুট, ভরা কল্পনা: ক্রিকেট ডেটা পাইপলাইনের নীরব ব্যর্থতা

গত সপ্তাহে আমার ডেস্কে একটা বিশ্লেষণ রিপোর্ট এল। আটটা অধ্যায়, সাতাশটা টেবিল, প্রতিটা ঘরে একই বাক্য — "N/A – insufficient information"। একটা ম্যাচের নাম নেই, একটা সিরিজের নাম নেই, একটা খেলোয়াড়ের নাম নেই, এমনকি কোন ফরম্যাট — টেস্ট, ওডিআই, নাকি টি-টোয়েন্টি — সেটুকুও লেখা নেই। অথচ নথিটা দেখতে ভয়ানক পেশাদার। টেবিলের বর্ডার সোজা, শিরোনাম ঠিকঠাক, গোটা আটটা অধ্যায় নির্দিষ্ট ছকে সাজানো। পেশাদার ফরম্যাটিং কখনো কখনো ভুল নিরাপত্তার বোধ তৈরি করে — আর সেই বোধই সবচেয়ে বড় ফাঁদ। আমি এই প্যাটার্নটা ঢাকার ডরমিটরি রুম থেকে তৈরি করেছি, তাই প্রেস বক্সের চেয়ে প্যাটার্নকেই বেশি বিশ্বাস করি — আর এখানে প্যাটার্নটা পরিষ্কার: ডেটা না থাকলে ডেটার অভাবকেই ডেটা বানিয়ে ফেলার প্রলোভন সবচেয়ে বেশি হয়। সবচেয়ে বিপজ্জনক ইনপুট খারাপ ইনপুট নয়; সবচেয়ে বিপজ্জনক ইনপুট খালি ইনপুট। একটা আধুনিক ক্রিকেট অ্যানালিটিক্স পাইপলাইন সাধারণত দুই ধাপে চলে। প্রথম ধাপ (Stage-1) একটা ম্যাচ-রিপোর্ট বা নিবন্ধ থেকে তথ্যবিন্দু (information points) বের করে — স্কোর, ট্রান্সফার ফি, কোট, ফিগার, তারিখ। দ্বিতীয় ধাপ (Stage-2) সেই তথ্যবিন্দুগুলোকে আটটা মাত্রায় বিশ্লেষণ করে: ফরম্যাট ও ম্যাচ-ক্যারেক্টার, খেলোয়াড়ের টেকনিক, দলের অবস্থান ও র‍্যাঙ্কিং, লিগের বাণিজ্যিক বাস্তুসংস্থান, শাসন ও নিয়ম, ঝুঁকির ম্যাট্রিক্স, জনমতের আবহ, আর গোটা ইন্ডাস্ট্রির ট্রান্সমিশন চেইন। এই দুই ধাপের মাঝখানে একটা লিখিত নয় কিন্তু পবিত্র চুক্তি থাকে — দ্বিতীয় ধাপ কখনো প্রথম ধাপের বাইরে গিয়ে কিছু বানাবে না। আমার কাছে এই চুক্তিটা পেশাগত সততার সমান। ২০১৭ সালে ঢাকার একটা ডরমিটরি থেকে দ্য হাফ-স্পেস ব্লগ শুরু করার সময় আমি একটা অভ্যাস রপ্ত করেছিলাম — অ্যাডজেক্টিভের আগে জ্যামিতি, বর্ণনার আগে কোঅর্ডিনেট। আবাহনী লিমিটেড ঢাকার ৪-২-৩-১ ফর্মেশন আমি এক্সেলের ৫x৬ গ্রিডে বসিয়েছিলাম, কারণ শেপ একটা দাবি, আর দাবিটা যাচাইযোগ্য হওয়া উচিত। রিপোর্টটা যা দেখায় তা হলো, সেই যাচাইযোগ্যতার শিকড় কাটা পড়লে বিশ্লেষণ আর গল্পের মধ্যে আর কোনও ফারাক থাকে না। দ্বিতীয় ধাপের রিপোর্টটা শেষে নিজেই স্বীকার করেছে — "ANALYSIS BLOCKED — INSUFFICIENT INPUT"। এটা ভুল নয়, এটা ঠিক। কিন্তু ঠিক জায়গাটাতেই আসল শিক্ষাটা লুকিয়ে আছে। আমরা সাধারণত ভুল ডেটা নিয়ে ভয় পাই — নয়েজ, আউটলায়ার, ভুল ট্যাগ। অথচ ক্রিকেট অ্যানালিটিক্সে সবচেয়ে বড় ঝুঁকি খালি ডেটা। কারণ খালি ঘর প্রশ্ন করে না। খালি ঘর চুপ করে থাকে। আর খালি ঘরের উপরে গল্প লিখতে কোনও বাধা লাগে না। একটা ভুল স্কোর — ধরুন ১৬৯-এর জায়গায় ১৯৬ — ধরা পড়ে যাবে, কারণ অন্য একটা সূত্রের সাথে সেটা মিলবে না। কিন্তু একটা শূন্য ইনপুটের সাথে মেলানোর কিছুই নেই। তাই যে কেউ যেকোনো কিছু বসিয়ে দিতে পারে, আর কেউ ধরতে পারবে না। রিপোর্টটা আরও একটা জিনিস দেখিয়েছে, যেটা কাঠামোগত। প্রথম ধাপ যদি কোন টাইটেল, সোর্স, তথ্যবিন্দু বা সত্তা (entity) না দেয়, তাহলে দ্বিতীয় ধাপের হাতে কোন ফরম্যাট সেট করারও উপায় নেই। ফরম্যাট নির্ধারিত না হলে ভেন্যু ফ্যাক্টর, ডিউ, ডিএলএস, টস — কিছুই যাচাই করা যায় না। একটা ঘর খালি থাকলে সেটা দশটা ঘরে ছড়িয়ে পড়ে। রিপোর্টে সরাসরি লেখা আছে — "Information Points field is empty" — আর সেই একটা খালি ফিল্ড গোটা বিশ্লেষণকে অচল করে দিয়েছে। আটটা অধ্যায়ের প্রতিটা সিদ্ধান্ত শেষ হয়েছে একই বাক্যে, কারণ শিকড়ে কোনও তথ্য ছিল না। রিপোর্টের ঝুঁকির ম্যাট্রিক্সে ছয়টা ক্যাটাগরি আছে — স্পোর্টিং, পার্সোনেল, কমার্শিয়াল, রুলস/ইন্টিগ্রিটি, জনমত, সিস্টেমিক। প্রতিটা ঘর ফাঁকা। অথচ এখানে একটা ঝুঁকি স্পষ্টভাবে চিহ্নিত হয়েছে, আর সেটা ক্রিকেট ঝুঁকি নয় — এটা পাইপলাইনের সততার ঝুঁকি। খালি আউটপুট ডাউনস্ট্রিমে পাঠানো মানে হলো, অনুপস্থিত তথ্যকে বৈধতার সাজ পোশাক পরিয়ে দেওয়া। গোটা রিপোর্টে এই একটা লাইনই সবচেয়ে দামি আবিষ্কার। ফ্রেমওয়ার্ক তিনটা দৃশ্যপট চায় — সবচেয়ে খারাপ, ভিত্তি, আর আশাবাদী। কিন্তু দৃশ্যপট আঁকতে একটা বিষয় লাগে, আর বিষয়টাই অনুপস্থিত। তাই তিনটে ঘর একসাথে ফাঁকা — এটা অলসতা নয়, এটা পদ্ধতিগত অনিবার্যতা। রিপোর্টের ট্রান্সমিশন ম্যাপটাও একই গল্প বলে। উপরের স্তর — যুব উন্নয়ন ও ট্যালেন্ট সাপ্লাই; মধ্যস্তর — জাতীয় দল ও লিগ; নিচের স্তর — সম্প্রচার, বাণিজ্যিক ও ডেরিভেটিভ মার্কেট। তিনটা স্তরের প্রতিটা নোড ফাঁকা। অথচ একটা ক্রিকেট ইকোসিস্টেমে একটা ইনপুট বদলালে নিচের স্তর পর্যন্ত ঢেউ যায় — এই যোগসূত্র ধরতে গেলে শিকড়ে অন্তত একটা নাম, একটা সংখ্যা, একটা তারিখ লাগে। সেটাই নেই। একটা ছোট অথচ অর্থবহ বিচ্যুতিও আছে। ডোমেইন লেবেল এসেছে cricket_asia, অথচ ফ্রেমওয়ার্ক চায় Cricket। এই অমিলটা আকস্মিক নয় — এটা সংকেত দেয় যে পাইপলাইনের কোন একটা স্তরে ট্যাক্সোনমি মিসঅ্যালাইন হয়েছে। আর মিসঅ্যালাইনমেন্ট মানে হলো, উপরের স্তরের অনুমান নিচের স্তরে সত্য হিসেবে বয়ে বেড়াচ্ছে। এখানেই ডেটা সাক্ষরতার আসল পাঠ। রাশিয়ায় কাটানো একুশটি নিদ্রাহীন রাত আমাকে শিখিয়েছে — ক্লান্তি একটা ডেটাসেট, কোনো ব্যাজ নয়। ২০১৮ সালে আমি চৌষট্টি ম্যাচ দেখে এক হাজার একশোর বেশি সেট-পিস ট্যাগ করেছিলাম, আর দেখেছিলাম ডেড বল থেকে রেকর্ড অনুপাতে গোল এসেছে — টুর্নামেন্টের মোট ১৬৯টি গোলের একটা বড় অংশ। আমি ওটা বলতে পারার কারণ, আমার হাতে ট্যাগ করা কাউন্ট ছিল। কাউন্ট না থাকলে আমি শুধু বলতাম "সেট-পিস গুরুত্বপূর্ণ" — যা একটা গল্প, ডেটা নয়। খালি ইনপুটের ক্ষেত্রেও ঠিক উল্টোটা ঘটে: কাউন্ট নেই, তাই গল্পটাই একমাত্র পণ্য হয়ে দাঁড়ায়। এখন উল্টো কথাটা। দুর্বল ডেটার জন্য আমরা স্বাভাবিকভাবে আরও ট্যাগ, আরও সোর্স, আরও যাচাই যোগ করি। কিন্তু খালি ইনপুটের সমস্যা আরও সোর্স যোগ করে সমাধান হয় না; সমাধান হয় একটা গেট বসিয়ে — একটা শর্ত, যেটা বলে তথ্যবিন্দু শূন্য হলে নথিটা ডাউনস্ট্রিমে যাবে না। রিপোর্ট নিজেই প্রস্তাব করেছে, এই রেকর্ডকে INVALID / REQUIRES RE-EXTRACTION হিসেবে চিহ্নিত করে আলাদা করে রাখতে হবে, যাতে পরের ধাপের কেউ এটাকে বৈধ বিশ্লেষণ ভেবে না নেয়। এখানেই একটা ব্লকচেইন-সদৃশ ধারণা সত্যিই কাজে লাগে। ক্রিকেট ডেটা পাইপলাইনে যদি প্রতিটা ধাপের ইনপুট-আউটপুট একটা অপরিবর্তনীয় (immutable) লেজারে লেখা থাকে, তাহলে কে, কখন, কোন ইনপুট থেকে কী বানিয়েছে — সেটা পরবর্তীতে কেউ চুপচাপ বদলে দিতে পারবে না। এটাই অডিটেবিলিটি, আর এটাই ব্লকচেইনের সবচেয়ে কাজের প্রয়োগ — ক্রিপ্টো নয়, সত্য যাচাইযোগ্য রাখা। একটা সত্য লেজার মানে হলো, ইতিহাস আর পুনর্লিখনযোগ্য নয়। রিপোর্টে ছয়টা ঝুঁকি-ফ্ল্যাগ তোলা আছে — ফরম্যাট মিশিয়ে সিদ্ধান্ত, ছোট নমুনা থেকে অতিরিক্ত অনুমান, হোম-গ্রাউন্ড বায়াস, ভাগ্যের (টস/ডিএলএস) প্রভাব বাদ না দেওয়া, ডিআরএস-বিতর্ক, আর ইনজুরি-ইতিহাস উপেক্ষা। এগুলোর কোনওটা যাচাই করা যায়নি, কারণ কোনও ম্যাচই নেই। এটাই আয়রনি — ঝুঁকি মাপার যন্ত্র তৈরি, কিন্তু মাপার মতো কিছু নেই। আরও একটা কথা মনে রাখা দরকার: ভুল ডেটা সংশোধনযোগ্য, কিন্তু খালি ডেটা প্রলুব্ধকর। ২০২০ সালের জুনে আমার চাকরি চলে গিয়েছিল, আর আমি পাঁচ সপ্তাহ কোনও কাজে আবেদন করিনি। বদলে বুন্দেসলিগার বাকি ৯২টা ম্যাচ দেখে লগ করেছিলাম, আর দেখেছিলাম হোম টিমের পয়েন্ট প্রতি ম্যাচ ১.৬২ থেকে ১.২৮-এ নামছে, অ্যাওয়ে জয় ২৯% থেকে ৩৭%-এ উঠছে। "দ্য সাইলেন্স ইফেক্ট" সেটাই। সেখানে প্রতিটা ম্যাচ একটা সারি ছিল — খালি নয়। আজকের ব্যর্থতাটা তার ঠিক উল্টো: ঘরগুলো খালি, অথচ ফ্রেমটা ভরা, আর সেই ভরা ফ্রেমটাই সবচেয়ে ধোঁকাবাজ। সুতরাং পরের রিপোর্ট বা পরের ম্যাচ-বিশ্লেষণে আমি একটা জিনিস দেখতে চাই — একটা ফালসিফায়েবল শর্ত: "তথ্যবিন্দু শূন্য হলে আউটপুট বন্ধ।" কারণ যে পাইপলাইন খালি ইনপুটকে প্রশ্ন না করে এগিয়ে দেয়, সে একদিন নির্দোষ দেখতে-ওয়া একটা গল্প বানিয়ে ফেলবে — আর সেটা স্কোরবোর্ডে ধরা পড়বে না, ধরা পড়বে বিশ্বাসে। আর একটা প্রস্তাব আমার নিজের: প্রতিটা পাইপলাইনে ডেটা থাকুক বা না থাকুক, একটা খালি-ইনপুট-গণনা (null count) সবসময় লগ করা হোক। শূন্যের সংখ্যাটাও একটা ডেটা। প্রশ্নটা তাই আর "কত ডেটা আছে" নয়; প্রশ্নটা হলো — "কোন ডেটাটা নেই, সেটা কি আমরা জানি?"