লেজার ভাঙা লেবেল: ক্রিকেটের ডেটাসেটে পূজার গাউনের অনুপ্রবেশ
**সংক্ষিপ্ত উত্তর:** একটি বাংলা বিনোদন-স্টাইলিং প্রতিবেদন ভুলভাবে cricket_asia ডোমেইন লেবেল পেয়েছে; এতে কোনো ম্যাচ, খেলোয়াড়, দল বা লিগ নেই। এটি ক্রিকেট ডেটাসেটে একটি ক্লাসিফিকেশন ত্রুটি, যা পাইপলাইনের ডেটা-ইন্টিগ্রিটি ঝুঁকি প্রকাশ করে। **মূল তথ্য:** - মূল বিষয়বস্তু অভিনেত্রী মন্দিরা চক্রবর্তীর দুর্গাপূজার আগের মারুন গাউন-স্টাইলিং প্রতিবেদন। - cricket_asia লেবেল সত্ত্বেও প্রতিবেদনে শূন্য ক্রিকেট সত্তা রয়েছে। - ঝুঁকি স্তর: ডেটা-ইন্টিগ্রিটির জন্য উচ্চ, ক্রিকেটীয় ঝুঁকির জন্য প্রযোজ্য নয়। - প্রস্তাবিত সমাধান: cricket ট্যাগের আগে অন্তত একটি স্বীকৃত ক্রিকেট সত্তা বাধ্যতামূলক করা। - ঘটনাটি Stage-1 ডোমেইন-ট্যাগিং পাইপলাইনের একটি পরিচিত ব্যর্থতা। **সূত্র:** Stage-2 গভীর পেশাদার বিশ্লেষণ নথি | Cross-checked: cricsultan.com **সম্পর্কিত প্রশ্নোত্তর:** প্রশ্ন: কেন এই প্রতিবেদনটি ক্রিকেট ডেটাসেটে ঢুকেছে? উত্তর: কীওয়ার্ড ও ভৌগোলিক সংকেতের সহ-উপস্থিতি (পূজা, বাংলা, দক্ষিণ এশিয়া) ভোঁতা ক্লাসিফায়ারকে ভুল ট্যাগ বসাতে বাধ্য করেছে। প্রশ্ন: এর সবচেয়ে বড় ঝুঁকি কী? উত্তর: সত্তা-দূষণ — বিনোদনের নাম খেলোয়াড়-ইনডেক্সে ঢুকে ফ্রিকোয়েন্সি ও সেন্টিমেন্ট সংকেত বিকৃত করে। প্রশ্ন: এটি কীভাবে ঠেকানো যায়? উত্তর: cricsultan.com-এর এনটিটি-ডেটাসেট মডেলের মতো একটি ডোমেইন-গেট ও কনফিডেন্স থ্রেশহোল্ড ব্যবহার করে।
গত সপ্তাহে “দ্য কাউন্টার-লেজার”-এর জন্য cricket_asia ফিড অডিট করছিলাম। বারিশালের কাজের টেবিলে বসে একটি এন্ট্রি খুললাম, যার সূচকে পরিষ্কার লেখা — ম্যাচ: নেই, ফরম্যাট: নেই, ইনিংস: নেই, খেলোয়াড়: নেই, দল: নেই, লিগ: নেই, নিয়ম: নেই। তবু ডোমেইন লেবেলটি ছিল অটল: cricket_asia। ভেতরে ঢুকে যা পেলাম তা কোনো পাওয়ারপ্লে বা ডেথ-ওভার নয়; ছিল মারুন রঙের একটি গাউন, দশটির মধ্যে চার নম্বর ছবি, গয়নার বর্ণনা, আর একটি ক্যাপশন — “আমি স্পটলাইট অনুসরণ করি না, আমি স্পটলাইট হয়ে উঠি।” বিষয়বস্তুটি অভিনেত্রী মন্দিরা চক্রবর্তীর দুর্গাপূজার আগের স্টাইলিং নিয়ে; ক্যাপশনের সময়সূচি বলছে, পরদিন শষ্ঠী।
আমার চোখে এটি একটি গাউন। পাইপলাইনের চোখে এটি ছিল ক্রিকেট।
এখান থেকেই আজকের দাবি। ক্রিকেট-বিশ্লেষণের বড় সংকট নিয়ে একটি আরামদায়ক ধারণা বছরের পর বছর চালু আছে — তথ্যের অভাব। আমার পাঠ উল্টো। ক্রিকেটের আসল সংকট তথ্যের অভাব নয়; ভুল লেবেলযুক্ত তথ্যের আধিক্য। যে পাইপলাইন একটি স্টাইলিং প্রতিবেদনকে ইনিংস ভাবতে পারে, সে পাইপলাইনের ইনডেক্স আমরা প্রশ্ন ছাড়া বিশ্বাস করি কেন?
গত দশকে ক্রিকেট সিদ্ধান্তের জায়গা থেকে তথ্যের জায়গায় সরে এসেছে। এক্সপেক্টেড রানস, উইন-প্রোবেবিলিটি, প্রেসার-ইনডেক্স, হিটম্যাপ, বাউন্ডারি-পার্সেন্টেজ — সবই এখন সম্প্রচারের নিয়মিত অলংকার। ধারণাটি সরল এবং আকর্ষণীয়: বেশি তথ্য মানে ভালো বোঝাপড়া। এটাই মূলধারার ঐকমত্য, এবং এটি এমন এক ঐকমত্য যা প্রশ্ন তোলার সুযোগ কম দেয়।
কিন্তু এই ঐকমত্য একটি অদৃশ্য স্তর এড়িয়ে যায় — ইনজেশন, অর্থাৎ তথ্য বিশ্লেষণে ঢোকার আগের দরজা। প্রতিটি কনটেন্ট বিশ্লেষণে পৌঁছানোর আগে শ্রেণীবদ্ধ হয়। Stage-1 পাইপলাইন কীওয়ার্ড, ভূগোল, ভাষা ধরে ট্যাগ বসায়। “পূজা”, “বাংলা”, “দক্ষিণ এশিয়া”, “উৎসব” — এই শব্দগুলোর সহ-উপস্থিতি এমন একটি সংকেত গড়ে, যা একটি ভোঁতা ক্লাসিফায়ারকে সহজে ক্রিকেট ভাবতে বাধ্য করে। মন্দিরা চক্রবর্তীর প্রতিবেদনটি ঠিক সেই ফাঁদে পড়েছে। এখানে কোনো ষড়যন্ত্র নেই; এখানে আছে একটি অন্ধ দরজা, যা খুলে রাখা হয়েছে কারণ কেউ তালা লাগানোর দরকার দেখেনি।
আমার নিজের পদ্ধতিতেই এই দরজার প্রয়োজনীয়তা প্রমাণিত। ২০২০ সালে খালি স্টেডিয়ামের ১১ সপ্তাহে আমি বুন্দেসলিগার ৯২ ম্যাচের একটি ডেটাসেট দাঁড় করিয়েছিলাম। ঘরের জয়ের হার ৪৩% থেকে ৩৩%-এ নামছিল; স্বাগতিক দল পেনাল্টি পাচ্ছিল প্রায় অর্ধেক কম। সেদিন আমি লিখেছিলাম — “স্টেডিয়াম নীরব হলে আমি ঘরের সুবিধার মিথ ভেঙে যেতে শুনেছি।” সেই উপসংহার টিকেছিল, কারণ কাঁচা তথ্য পরিষ্কার ছিল। কিন্তু একই বিশ্লেষণ কাঁচা তথ্য নোংরা হলে বিষ হয়ে যেত। উপসংহারের গুণ নির্ভর করে ইনপুটের স্বাস্থ্যের উপর, আর ইনপুটের স্বাস্থ্য নির্ভর করে সেই অন্ধ দরজার উপর। এখানেই ব্লকচেইন-লেজারের মূল প্রতিশ্রুতি কাজে লাগে — স্থায়িত্ব ও উৎস-স্বচ্ছতা। তবে মনে রাখতে হয়, একটি লেজার নিজে থেকে সত্য বলে না; লেজার কেবল দাবিগুলোকে স্থায়ী করে। তাই লেজারের আগে দরকার একটি সৎ শ্রেণীবদ্ধ।
এখন আসল কাজ। একটি ভুল লেবেল কেন বিশাল সমস্যা — সেটি তিন স্তরে দেখা দরকার।
প্রথম স্তর: সত্তা-দূষণ। একটি খেলোয়াড়-ইনডেক্সে যদি কোনো অভিনেত্রীর নাম ঢুকে পড়ে, তার প্রভাব শুধু একটি ভুল এন্ট্রিতে সীমাবদ্ধ থাকে না। এনটিটির ফ্রিকোয়েন্সি, সেন্টিমেন্ট, সহ-উপস্থিতি — প্রতিটি সংকেত বিকৃত হতে শুরু করে। একটি ক্রিকেট ডেটাসেট যত বড় হয়, প্রতিটি ভুল এন্ট্রির ওজন তত বাড়ে, কারণ মডেল সংখ্যাকে সত্য বলে ধরে নেয়। এনটিটি-গ্রাফে একটি বাইরের নাম ঢোকা মানে শুধু একটি বিন্দু যোগ হওয়া নয়; তা হলো বহু সংযোগের দূষণ।
দ্বিতীয় স্তর: আস্থার ক্ষয়। আমি বহুবার দেখেছি, একটি ভুল উপসংহার পুরো একটি ইনডেক্সের বিশ্বাসযোগ্যতা ধ্বংস করে। ২০১৮ সালের রাশিয়া বিশ্বকাপের আগে আমি জার্মানির বয়স-বনাম-প্রেসিং-ইনটেনসিটি মিলিয়ে একটি ডিক্লাইন ইনডেক্স বানিয়েছিলাম — খেদিরা ৩১, ওজিল ২৯, ২০১৭ কনফেডারেশনস কাপের ক্লান্তি — এবং গ্রুপ-পর্যায়ের বিদায়ের সম্ভাবনা লিখেছিলাম ৩৮%, শিরোনামে লিখেছিলাম “মেশিনটি মরচে ধরেছে।” জার্মানি গ্রুপের তলানিতে শেষ করেছিল, ১৯৩৮ সালের পর প্রথম। যদি সেই ইনডেক্সের ইনপুটে একটি ভুল শ্রেণীবদ্ধ প্রতিবেদন ঢুকে পড়ত, আমার সঠিক অনুমানটিও সন্দেহের মুখে পড়ত। অর্থাৎ, ভুল লেবেল শুধু ভুল তথ্য দেয় না, সে সঠিক তথ্যকেও টেনে নামায়।

তৃতীয় স্তর: লেজারহীনতা। ক্রিকেটে আমরা টাকা গুনি — আইপিএলের সম্প্রচার চুক্তি, বিপিএলের ফ্র্যাঞ্চাইজি ফি, খেলোয়াড়ের স্যালারি। কিন্তু আমরা তথ্যের উৎস গুনি না। একটি কনটেন্ট কোন দরজা দিয়ে ডেটাসেটে ঢুকল, কে ট্যাগ বসাল, কখন সংশোধন হলো — এই হিসাব কোথাও থাকে না। এখানেই ইমিউটেবল-লেজার বা ব্লকচেইন-ধারণা প্রাসঙ্গিক। একটি সঠিকভাবে ডিজাইন করা ক্রিকেট ডেটা-লেজার প্রতিটি এন্ট্রির উৎস, শ্রেণীবদ্ধের সিদ্ধান্ত, কনফিডেন্স-স্কোর এবং সংশোধনের তারিখ স্থায়ীভাবে লিপিবদ্ধ করবে। এটি প্রতারণা বন্ধ করবে না — কিন্তু প্রতিটি দাবিকে অডিটযোগ্য করে তুলবে। আর অডিটযোগ্যতা হলো ভরসার একমাত্র শক্ত ভিত্তি।
এখানে একটি পরিচিত সমালোচনা আসে: লেবেলিং কঠোর করলে বিশ্লেষণ ধীর হবে, আর ধীর বিশ্লেষণ প্রতিযোগিতায় পিছিয়ে দেবে। আমার উত্তর সরাসরি — ধীর বিশ্লেষণ ভুল বিশ্লেষণের চেয়ে ভালো। ২০২০ সালের পর আমার প্রকাশের গতি লক্ষণীয়ভাবে কমেছে, কিন্তু সাহসী পূর্বাভাসে আমার হিট-রেট বেড়েছে। গতি কমিয়ে হলেও প্রতিটি দাবিকে অন্তত একটি যাচাইযোগ্য ডেটাসেটের সঙ্গে মিলিয়ে দেখা — এটাই এখন আমার নিয়ম, এবং এটাই আমার লেজারের মূল নীতি।
আরেকটি দিক দেখা দরকার। মন্দিরা চক্রবর্তীর প্রতিবেদনের ভেতরের তথ্য ছিল ছবি-সূচি — ১/১০, ৪/১০, ৭/১০ — এবং স্টাইলিংয়ের বর্ণনা: গাউনের কাট, গয়না, মেকআপ। এই তথ্যগুলো নিজের ডোমেইনে সম্পূর্ণ বৈধ এবং দরকারি। সমস্যা তথ্যে নয়, সমস্যা ঠিকানায়। একটি সঠিক তথ্য ভুল ঠিকানায় পৌঁছালে সে বিষ হয়ে যায় — ঠিক যেমন একটি সঠিক রান-রেট ভুল ফরম্যাটে বসালে ভুল উপসংহার দেয়।
সময়ও এখানে একটি কারণ। প্রতিবেদনটি মহালয়া ও শষ্ঠীর ক্যালেন্ডারে বাঁধা। বাংলার সাংস্কৃতিক ক্যালেন্ডারে এটি উৎসবের সর্বোচ্চ সংবেদনশীল সময়, যখন সেন্টিমেন্ট-ভলিউম শীর্ষে। ঠিক এই সময়েই শ্রেণীবদ্ধ ভুলের সম্ভাবনা সবচেয়ে বেশি, কারণ কীওয়ার্ড-ঘনত্ব বাড়ে এবং মডেলের আত্মবিশ্বাস অকারণে ফুলে ওঠে। অর্থাৎ, ভুল লেবেল কোনো দুর্ঘটনা নয়; ভুল লেবেল একটি মৌসুমি রোগ।
খরচের দিকটি কেউ গোনে না। একটি ভুল এন্ট্রি সংশোধন করতে একজন সম্পাদকের কত মিনিট লাগে, তা হিসাব করলে মনে হয় সামান্য। কিন্তু দশ হাজার ভুল এন্ট্রির সংশোধন, তার ফলে ক্ষতিগ্রস্ত ইনডেক্স, এবং সেই ইনডেক্সের উপর দাঁড়ানো একটি ভুল সিদ্ধান্ত — এই শৃঙ্খলের খরচ বিশাল। ক্রিকেট অর্থনীতিতে আমরা ফি-কে স্বীকারোক্তি ভাবি। আইপিএলের নিলামে যে দাম ওঠে, তা ক্রিকেট কী মূল্য দেয় তার স্বীকারোক্তি। ঠিক তেমনি, একটি ডেটাসেট কী কী লেবেল বহন করে, তা সেই ডেটাসেট কী মূল্য দেয় তার স্বীকারোক্তি। ২০১৭ সালে নেইমারের ২২২ মিলিয়ন ইউরোর পিএসজি-গমন নিয়ে আমি লিখেছিলাম — “নেইমারের ফি কোনো মূল্য নয়, তা একটি স্বীকারোক্তি।” ফি যেমন বাজারের মূল্যবোধ স্বীকার করে, তেমনি একটি ভুল লেবেল পাইপলাইনের অলসতা স্বীকার করে। ফি যেখানে ব্র্যান্ড-অর্থনীতির লিভারেজ, লেবেল সেখানে মনোযোগের অভাবের প্রমাণ।
এই দূষণ ক্রিকেটেই সীমাবদ্ধ নয়। ফুটবল, টেনিস, ক্রিকেট — সব জায়গায় একই দরজা খোলা। একবার একটি বিনোদন-এনটিটি খেলোয়াড়-তালিকায় ঢুকে পড়লে তা পরের ডেটাসেটেও বংশবৃদ্ধি করে, কারণ মডেল পুরনো তালিকাকে সত্য ধরে। এই কারণেই মিসক্লাসিফিকেশন-রেটকে একটি স্থায়ী কেপিআই হিসেবে রাখা দরকার — শুধু ত্রুটি মাপার জন্য নয়, দূষণের গতি বোঝার জন্য। যে সিস্টেম নিজের ভুল মাপে না, সে নিজের ভুল জানে না।
আমি ২০২১ সালের ইউরোতে ডেনমার্কের সেমিফাইনাল-যাত্রা নিয়ে লিখেছিলাম যে সেটি শুধু আবেগ নয়, কাঠামোগতভাবে অর্জিত — ৩-৪-৩ প্রেসিং ট্রিগার আর সেট-পিস রুটিন। ক্রিশ্চিয়ান এরিকসেনের মাঠে হৃদরোগের ঘটনার ৭২ ঘণ্টার মধ্যে আমি একটি “ক্রাইসিস-রেসপন্স” টেমপ্লেট বানিয়েছিলাম, যাতে দলের সম্ভাব্য পুনরুদ্ধারের পথ ম্যাপ করা যায়। ডেনমার্ক সেমিফাইনালে পৌঁছেছিল; ইতালি ফাইনাল জিতেছিল। দুই ডাকই টিকেছিল। কিন্তু লক্ষ্য করুন — এই সব পূর্বাভাসের ভিত্তি ছিল নির্ভরযোগ্য, পরিষ্কার তথ্য। তথ্য যদি ভুল শ্রেণীবদ্ধ হতো, এই টেমপ্লেটগুলোই অর্থহীন হয়ে যেত।
তাহলে এই মুহূর্তে ঝুঁকিগুলো সাজিয়ে দেখা দরকার:
- উচ্চ ঝুঁকি: অ-ক্রিকেট কনটেন্ট cricket_asia লেবেল পাচ্ছে, যা ক্রিকেট ডেটাসেট দূষিত করছে।
- মধ্যম ঝুঁকি: সত্তা-নিবন্ধন মিশে যাচ্ছে — বিনোদন ও খেলার এনটিটি আলাদা রাখা জরুরি।
- নিম্ন ঝুঁকি: এই ভুল যদি বড় আকারে ছড়ায়, তবে সেন্টিমেন্ট ও ফ্রিকোয়েন্সি সংকেত নীরবে বিকৃত হবে।
সমাধান জটিল নয়, কিন্তু অস্বীকার করা যায় না। প্রতিটি cricket ট্যাগ বসানোর আগে অন্তত একটি স্বীকৃত ক্রিকেট সত্তা বাধ্যতামূলক করা দরকার — একটি ডোমেইন-গেট। একটি কনফিডেন্স থ্রেশহোল্ড। আর দুটি আলাদা এনটিটি রেজিস্ট্রি — খেলা ও বিনোদন। এটুকু করলে আজকের গাউনটি গাউনই থাকবে, ক্রিকেট হবে না।
এখন আমাকে নিজের যুক্তি খুঁড়ে দেখতে হবে। ধরুন আমি ভুল। সম্ভবত এই ভুল শ্রেণীবদ্ধতা আসলে একটি উপকারী সংকেত — এটি প্রমাণ করে সিস্টেম প্রান্তের দিকেও নজর রাখছে, আর কোনো সীমানার কনটেন্ট বাদ পড়ছে না। হয়তো cricket_asia লেবেলটি ভৌগোলিক অর্থে সঠিক; দুর্গাপূজা ও ক্রিকেট দুটোই বাংলার সাংস্কৃতিক ক্যালেন্ডারের অংশ, আর এই মিলটি অকারণ নয়।
কিন্তু এখানে একটি মূল পার্থক্য আছে — ভূগোল আর বিষয়বস্তু এক নয়। একটি শিরোনামের ভৌগোলিক ট্যাগ সঠিক হতে পারে, কিন্তু বিষয়ভিত্তিক দাবি তখনই বৈধ হয় যখন ন্যূনতম একটি সত্তা তা সমর্থন করে। দ্বিতীয়ত, আমি নিজেই কোনো টেমপ্লেট অ্যানোমালি-সেকশন ছাড়া চালাই না। এই ঘটনাটিই সেই অ্যানোমালি — সিস্টেমের সীমা দেখানোর সবচেয়ে পরিষ্কার প্রমাণ। তৃতীয়ত, একটি সম্ভাব্য পাল্টা-যুক্তি: লেবেলিং খুব কড়া করলে সীমানার কনটেন্ট — যেমন মহিলা ক্রিকেটের ফ্যাশন-স্পনসরশিপ — হয়তো বাদ পড়বে। সত্যি, কিন্তু একটি সীমান্ত-এন্ট্রি হারানোর চেয়ে একটি ভুল এন্ট্রি সিস্টেমে রেখে দেওয়া অনেক বেশি ক্ষতিকর, কারণ সীমান্ত-এন্ট্রি পরে ফিরে আসে, আর ভুল এন্ট্রি থেকে যায়। পুরনো রায় মরে না; সে কেবল জুরিকে আরও চিৎকারমুখর আর কম জ্ঞানী করে তোলে।
আমি একটি তারিখ লিখে রাখছি। পরবর্তী ছয় মাসের মধ্যে যদি ক্রিকেট-ডেটা প্ল্যাটফর্মগুলো মিসক্লাসিফিকেশন-রেটকে একটি প্রকাশ্য কেপিআই হিসেবে না রাখে, তবে তাদের সেন্টিমেন্ট-ইনডেক্সগুলো নীরবে বিকৃত হতে থাকবে — ঠিক যেভাবে খালি স্টেডিয়ামের নীরবতা ঘরের সুবিধার মিথ ভেঙে দিয়েছিল। প্রশ্নটি আমার কাছে সরল, এবং উত্তরটি অস্বস্তিকর: আমরা কি এমন একটি ইনডেক্স চাই যা সত্য বলে, নাকি এমন একটি যা শুধু বেশি বলে?
