ফুটবলের ভূত: বাদুড়ের ছায়ায় একটি ডেটা-দূষণের ময়নাতদন্ত

গত অক্টোবরে আমার ডেস্কে একটা ফাইল এল। লেবেল ছিল পরিষ্কার—Football। আমি ৩৬ বছর ধরে ফুটবল মাঠের ভাষা পড়ি, তাই লেবেলটা দেখে প্রথমে ভরসা করেছিলাম। কিন্তু প্রথম অনুচ্ছেদ পড়তেই বুঝলাম, এখানে মাঠ নেই। ফর্মেশন নেই, প্রেসিং ট্রিগার নেই, এক্সজি-পিপিডিএ নেই। ছিল একটা সিনেমার সেট, ওয়ার্নার ব্রাদার্সের স্টুডিও, একটা বাদুড়ের মাস্ক, আর একজন পরিচালকের ক্লান্ত হাত। আমি প্রথম ইনভার্টেড ফুল-ব্যাককে দেখেছিলাম একটি ট্যাকটিক হিসেবে নয়, একটি স্বীকারোক্তি হিসেবে। ২০১৭ সালে, ম্যানচেস্টার সিটির ৩৮ ম্যাচের প্রতিটি ইনভার্সন লগ করতে গিয়ে আমি শিখেছিলাম—ফর্মেশন মানে দায় স্বীকার করা, আর ডেটা মানে সাক্ষ্য দেওয়া। কিন্তু এই নিবন্ধের সাক্ষ্য ছিল ভুল কাঠগড়ায়। যে লেখাটি ফুটবল নামে ডাকা হচ্ছে, সেটি আসলে সিনেমার খবর। আর সেই ভুলটাই আমার এই লেখার আসল বিষয়। কারণ যে সিস্টেম একটি হলিউডের ছবির খবরকে ফুটবল বলে চিহ্নিত করে, সেই সিস্টেমই একদিন তোমার দলের স্কোয়াড নিউজ, তোমার খেলোয়াড়ের চোট, কিংবা তোমার লিগের পয়েন্ট কাটার খবর ভুলভাবে পড়বে। ডেটার জগতে ভুল লেবেল মানে শুধু একটি ভুল শিরোনাম নয়; এটা একটা সংক্রমণ। শিরোনাম পড়ে মানুষ সন্দেহ করে, কিন্তু লেবেল পড়ে মেশিন বিশ্বাস করে। প্রথমে বলে নিই নিবন্ধটি আসলে কী নিয়ে। এটা ফুটবল নয়। এটা হলিউডের প্রোডাকশন-আপডেট। বিষয়বস্তু—দ্য ব্যাটম্যান পার্ট টু নামের একটি চলচ্চিত্র, যার পরিচালক ম্যাট রিভস। ছবির প্রিন্সিপাল ফটোগ্রাফির কাজ চলাকালীন পরিচালক ও প্রযোজনা দল একটি সিদ্ধান্ত নেয়—অন্য একজন পরিচালক, স্টিভেন সোডারবার্গ, রিভসকে সহায়তা করবেন। সোডারবার্গ নিজে রিভসের কাছে গিয়ে সহযোগিতার প্রস্তাব দেন। লক্ষ্য—যে ফুটেজ ইতিমধ্যে তোলা হয়েছে, তার সঙ্গে মিলিয়ে বাকি কাজ সম্পন্ন করা, এবং রিভসের সৃজনশীল নেতৃত্ব অটুট রাখা। এর আগে ওয়ার্নার ব্রাদার্স ও ডিসি স্টুডিও একটি প্রোডাকশন-বিরতির ঘোষণা দেয়। ছবিটির মুক্তির তারিখ একাধিকবার বদলায়—অক্টোবর ২, ২০২৬ থেকে অক্টোবর ১, ২০২৭, এবং পরে ফেব্রুয়ারি ২০২৮। ছবির কাস্টে আছেন রবার্ট প্যাটিনসন (ব্যাটম্যান চরিত্রে ফিরছেন), স্কারলেট জোহানসন, কলিন ফ্যারেল, সেবাস্টিয়ান স্ট্যান, অ্যান্ডি সার্কিস, জেফ্রি রাইট। ২০২২ সালের সিনেমাকনে ঘোষণার পর থেকেই এই সিক্যুয়েলের একটা দীর্ঘ ইতিহাস। এখন লক্ষ্য করুন—এই অনুচ্ছেদে ফুটবলের কোনও উপাদান নেই। কোনও ক্লাব নেই, কোনও খেলোয়াড় নেই, কোনও প্রতিযোগিতা নেই, কোনও গভর্নিং বডি নেই। তবুও সিস্টেমের লেবেল বলছে—Football। এখানেই গল্পটা শুরু। আমি বহু বছর ধরে স্পোর্টস ডেটার ভেতরে-বাইরে আছি। ২০২০ সালে যখন মহামারিতে খেলা বন্ধ, আমার কমেন্ট্রি চুক্তি স্থগিত, তখন আমি ৪০০টি পুরনো ম্যাচ দেখে ফেলি, পাইথন শিখি, আর নিজের একটা ডেটা-পাইপলাইন বানাই। সেদিন বুঝেছিলাম—অন্য কারও পরিসংখ্যান ভাড়া করে ব্যবহার করার চেয়ে নিজের পাইপলাইন বানানো কঠিন, ধীর, কিন্তু প্রতিটি পদ্ধতি ফুটনোটেড থাকে। আর ঠিক সেই ফুটনোটই আজ এই ভুলটি ধরতে সাহায্য করছে। সেই ২০২০ সালের অভিজ্ঞতা আমাকে একটা বিষয় শিখিয়েছিল যা এখন সরাসরি প্রাসঙ্গিক। যখন বুন্দেসলিগা ১৬ মে ফিরে আসে, আমি ২০১৯-২০ মৌসুমের প্রতিটি খালি স্টেডিয়ামের ম্যাচ টেনে বের করি। দেখি—হোম উইন রেট ৪৩% থেকে নেমে ৩৩%-এ এসেছে, আর অ্যাওয়ে দলগুলো প্রতি ম্যাচে প্রায় ১.৪ কিলোমিটার বেশি দৌড়েছে। 'The Crowd Was the Trigger' শিরোনামে সেই লেখাটা আমি লিখেছিলাম। সেদিনের শিক্ষা—কখনোই একটা সংখ্যাকে নিজে থেকে ব্যাখ্যা করতে দেবেন না। প্রতিটি সংখ্যার পেছনে একটা প্রেক্ষাপট থাকে। আর লেবেলের ক্ষেত্রেও ঠিক একই কথা প্রযোজ্য। এখন আসল বিশ্লেষণে আসি। প্রশ্নটা সরল—কীভাবে একটি সিনেমার খবর ফুটবলের ডেটা-স্ট্রিমে ঢুকে পড়ল? প্রথমত, এটা সেমান্টিক বিশ্লেষণের ব্যর্থতা, বানান বা বিষয়বস্তু নিষ্কাশনের ব্যর্থতা নয়। স্টেজ-১ ঠিকঠাকই তথ্য বের করেছে—কে বলেছে, কবে বলেছে, কী বলেছে। সূত্রও উচ্চমানের—ভ্যারাইটি-নিশ্চিত বিবৃতি, ওয়ার্নার ব্রাদার্স/ডিসির অফিসিয়াল ঘোষণা, এবং ম্যাট রিভসের সরাসরি এক্স-পোস্ট (১৫ অক্টোবর)। অর্থাৎ তথ্য নিষ্কাশন ঠিক ছিল; ভুলটা ঘটেছে শ্রেণীবিভাগে। এটা একটা লেবেলিং ত্রুটি, নিষ্কাশন ত্রুটি নয়। এই পার্থক্যটা গুরুত্বপূর্ণ, কারণ এটি বলে দেয় সমস্যাটা কোথায় খুঁজতে হবে। দ্বিতীয়ত, সম্ভাব্য কারণ কী? দুটি অনুমান সামনে আসে। একটি—কীওয়ার্ড সংঘর্ষ। স্পোর্টস আর্টিকেল এবং এন্টারটেইনমেন্ট আর্টিকেলের শব্দভান্ডার মাঝেমধ্যে ওভারল্যাপ করে। 'production', 'cast', 'release', 'draft', 'transfer'—এই শব্দগুলো দুই জগতেই ঘোরে। আরেকটি—শিরোনাম বা সেকশন-ভিত্তিক শ্রেণীবিভাগ, যেখানে সেমান্টিক বোঝাপড়ার চেয়ে ট্যাগ-মিলিং বেশি কাজ করে। তৃতীয়ত, এবং সবচেয়ে বিপজ্জনক—entity resolution বা সত্তা-মিলন। এই নিবন্ধে তিনটি নাম আছে যেগুলো ফুটবল-জগতের নামের সঙ্গে সংঘর্ষ ঘটাতে পারে: 'স্ট্যান', 'রাইট', 'রিভস'। ধরুন, একটি ফুটবল-এনটিটি ডিকশনারিতে 'Wright' নামে একজন ফুটবলার আছেন। যদি কোনো ইঞ্জিন এই হলিউডের 'জেফ্রি রাইট'-কে সেই ফুটবলারের সঙ্গে মিলিয়ে ফেলে, তাহলে নলেজ-গ্রাফে একটা ভুল এজ তৈরি হয়। একবার সেই ভুল ঢুকে গেলে, সেটা ছড়াতে থাকে—সহ-উপস্থিতি পরিসংখ্যানে, এমবেডিং-এ, এমনকি ভবিষ্যতের টপিক-মডেলে। এটাই আসল সংক্রমণ। ফুটবলের ডেটা-সিস্টেমে একটা অ-ফুটবল আইটেম ঢুকে পড়া মানে শুধু একটা নয়েজ নয়; এটা এমন একটা ভুল যা ভেতরে বসে অন্য ভুলগুলোকে প্রশ্রয় দেয়। চতুর্থত, সমাধানের দিক। এখানেই ব্লকচেইন-ধারণা প্রাসঙ্গিক হয়ে ওঠে—বিশেষত ডেটার provenance বা উৎস-শৃঙ্খলার প্রশ্নে। আজকের স্পোর্টস-মিডিয়া শিল্পে লক্ষ লক্ষ নিবন্ধ, ট্যাগ, এনটিটি প্রতিদিন একটি পাইপলাইনে ঢোকে। কে লেবেল দিল, কেন দিল, কোন মডেল দিল—এই প্রশ্নগুলোর কোনো অপরিবর্তনীয় রেকর্ড থাকে না। যদি প্রতিটি শ্রেণীবিভাগ-সিদ্ধান্তকে একটি অপরিবর্তনীয় লেজারে লেখা যেত—কোন স্টেজ, কোন নিয়ম, কোন সংস্করণ—তাহলে এই ভুলটি ধরা পড়ত উৎসেই, তিন স্তর নিচে নয়। আমি এখানে ব্লকচেইনকে একটি প্রযুক্তি-প্রচার হিসেবে বলছি না। আমি বলছি সাক্ষ্যের শৃঙ্খলা হিসেবে। আদালতে যেমন প্রমাণের chain of custody লাগে—কে ধরল, কে সংরক্ষণ করল, কে হস্তান্তর করল—তেমনি ডেটার ক্ষেত্রেও প্রতিটি হাতবদলের রেকর্ড দরকার। নাহলে আমরা এমন এক অবস্থায় পৌঁছাব যেখানে মেশিনের আত্মবিশ্বাস বাড়বে, আর মানুষের নিশ্চয়তা কমবে। একটি ডেটা-পয়েন্ট যখন তার নিজের উৎস ভুলে যায়, তখন সে মিথ্যার মতো আচরণ করে। পঞ্চমত, এই ব্যর্থতার পিছনে একটি অর্থনীতি আছে। আধুনিক কনটেন্ট-পাইপলাইন স্পিডের জন্য বানানো, নির্ভুলতার জন্য নয়। প্রতি সেকেন্ডে কত নিবন্ধ প্রসেস হলো, সেটাই KPI; কতগুলো সঠিকভাবে লেবেল হলো, সেটা নয়। এই কনস্ট্রেইন-ইকোনমিক্সে শ্রেণীবিভাগের নির্ভুলতা একটা খরচ, আর খরচ কমানোর সবচেয়ে সহজ উপায়—সেমান্টিক যাচাই বাদ দেওয়া। ফলে নন-ফুটবল আইটেম ফুটবল-স্ট্রিমে ঢোকে, আর কেউ টের পায় না। আমার জন্ম বাংলাদেশে, কাজ এখন যুক্তরাজ্যে। সীমিত সম্পদের জগতে বড় হয়েছি, তাই খরচ আর গুণমানের এই টানাপোড়েন চিনি। কিন্তু একটা কথা শিখেছি—সীমিত সম্পদ নিম্নমানের অজুহাত নয়; বরং সীমিত সম্পদে গুণমান ধরে রাখাই আসল কারিগরি। আমি নিজের পাইপলাইনে প্রতিটি ডেটা-পয়েন্টের সোর্স লিখে রাখি। চার্টগুলো কুৎসিত, মাঝেমধ্যে ভুলও হয়, কিন্তু প্রতিটি পদ্ধতি ফুটনোটেড। এটাই আমাকে ভাড়া করা পরিসংখ্যান থেকে আলাদা করে। ষষ্ঠত, আসুন প্রতিটি বিশ্লেষণ-মাত্রার নিষ্ফল ফলাফলটা দেখি। ট্যাকটিক্যাল মাত্রা—N/A। কারণ উৎসে কোনও ফর্মেশন, সিস্টেম বা প্লেয়িং স্টাইল নেই। ফিনান্স ও ট্রান্সফার মাত্রা—N/A। কোনও ফি, মজুরি, চুক্তি, লোন বা রিলিজ ক্লজ নেই। লিগ ল্যান্ডস্কেপ—N/A। কোনও ক্লাব, কোনও টেবিল, কোনও স্তর নেই। গভর্নেন্স—N/A। ফিফা, উয়েফা, কোনো অ্যাসোসিয়েশনের কোনও নিয়ম জড়িত নয়। ম্যানেজমেন্ট ও ড্রেসিং-রুম—N/A। এখানে যাঁরা আছেন তাঁরা পরিচালক ও অভিনেতা, কোচ বা খেলোয়াড় নন। এই সবগুলো N/A একসঙ্গে যা প্রমাণ করে, তা হলো—ভুলটা বিচ্ছিন্ন নয়, বরং সামগ্রিক। সপ্তমত, এবং এখানে একটা সূক্ষ্ম কিন্তু জরুরি কথা। এই নিবন্ধের সোর্স-কোয়ালিটি খারাপ নয়। বরং এন্টারটেইনমেন্ট-জগতের মানদণ্ডে এটি উচ্চমানের সোর্সিং—ভ্যারাইটি-নিশ্চিত, অফিসিয়াল স্টুডিও ঘোষণা, এবং প্রিন্সিপালের সরাসরি সোশ্যাল-মিডিয়া পোস্ট। অর্থাৎ সমস্যাটা তথ্যের গুণমানে নয়, সমস্যাটা ডোমেইন-শ্রেণীবিভাগে। এটা প্রমাণ করে—একটি সিস্টেম দুর্দান্ত তথ্য বের করতে পারে, অথচ তার লেবেল ভুল দিতে পারে। আর শিল্পে আমরা প্রায়ই প্রথমটাকে প্রশংসা করি, দ্বিতীয়টাকে অবহেলা করি। আরও একটা স্তর আছে যেটা লক্ষণীয়। চলচ্চিত্র-জগতে যখন একজন পরিচালক মাঝ-শুটে সহায়তা নেন, তখন সেখানে ক্রেডিট, অ্যাট্রিবিউশন আর গিল্ড-নিয়মের প্রশ্ন ওঠে। এই নিবন্ধে সেটাই সংকেত দেয়—এটি একটি প্রোডাকশন-ধারাবাহিকতার সিদ্ধান্ত, কোনও স্পোর্টিং সিদ্ধান্ত নয়। সোডারবার্গ 'রিভসের সৃজনশীল নেতৃত্ব প্রতিস্থাপন না করে' সহায়তা করছেন—এই বাক্যটাই বলে দেয়, এটা একটি সতর্ক, অ-হস্তক্ষেপমূলক দায়িত্ব-হস্তান্তর। ফুটবলে এর নিকটতম উপমা হতে পারে—একজন সহকারী কোচ ম্যানেজারের অনুপস্থিতিতে দায়িত্ব সামলানো। কিন্তু মনে রাখবেন, এটা শুধু উপমা। কোনও ফুটবল রেফারেন্ট নেই, তাই এটাকে ট্যাকটিক্যাল ইনসাইট বলে চালিয়ে দেওয়া হবে একটি category error। ডেটার সংক্রমণ-পথটা এভাবে দেখতে পারেন। উৎসে—একটি ভুল লেবেল। মধ্যস্থলে—একটি নলেজ-গ্রাফে ভুল এনটিটি-ম্যাচ। ভাটিতে—একটি মডেল যেটি সেই ভুলকে সত্য বলে ধরে নেয়, এবং ভবিষ্যতে একই ধরনের ভুল তৈরি করে। এটা ফুটবল-শিল্পের কোনও চ্যানেল নয়—এটা একটি ডেটা-চ্যানেল, যা ক্রমে শিল্পের বাস্তবতা গড়ে তোলে। একবার ভুলটা ভাটিতে পৌঁছে গেলে, সেটা আর 'নিছক বাগ' থাকে না; সেটা একটা নীরব নীতি হয়ে যায়। স্বাভাবিক প্রতিক্রিয়া হবে—'এটা তো নিছক একটা সফটওয়্যার বাগ, গুরুত্ব দেওয়ার মতো কিছু নয়।' আমি এই যুক্তির সঙ্গে একমত নই। প্রথমত, যে ভুলকে আপনি 'নিছক' বলছেন, সেটা একটা নেগেটিভ টেস্ট কেস। মানে—এমন একটা নমুনা, যাকে সিস্টেমের কখনো গ্রহণ করা উচিত ছিল না। বাস্তবে এই নমুনাগুলোই সবচেয়ে দামি, কারণ এগুলো সিস্টেমের সীমা দেখায়। সোনার নমুনা দিয়ে আপনি মডেল প্রশিক্ষণ দেন; ব্যর্থ নমুনা দিয়ে আপনি মডেলের সীমা মাপেন। দ্বিতীয়ত, এবং বেশি অস্বস্তিকর—ভুলটি সম্ভবত বিচ্ছিন্ন নয়। যদি একটি ফিল্ম-নিউজ ফুটবলে ঢুকতে পারে, তবে কতটা স্পোর্টস-নিউজ এন্টারটেইনমেন্টে চলে যাচ্ছে, আর কতটা এন্টারটেইনমেন্ট স্পোর্টসে ঢুকছে, তার হিসাব কে রাখছে? আমরা কেবল সেই ভুলগুলো দেখতে পাই যেগুলো ধরা পড়ে; যেগুলো পড়ে না, সেগুলো নীরবে ছড়ায়। তৃতীয়ত, আমি নিজেই একবার এই ফাঁদে পড়েছিলাম। ২০১৮ বিশ্বকাপে, ক্রোয়েশিয়ার তিনটি এক্সট্রা-টাইম ম্যাচ লগ করতে গিয়ে আমি নিজের ছোট্ট স্প্রেডশিটে ভুল করেছিলাম—একজন খেলোয়াড়ের মিনিট দুইবার গুনেছিলাম। ধরা পড়ল তিন দিন পরে, যখন সংখ্যা মেলেনি। তখন শিখলাম—যাচাই ছাড়া মডেল মানে একটা সুন্দর মিথ্যা। রিপ্লে কখনো ব্যাখ্যা করে না; সে শুধু সেই তর্কটাই ব্যাহত করে যা আমরা উপভোগ করছিলাম। চতুর্থত, একটা সাংস্কৃতিক বিপদ আছে যা ডেটার চেয়েও বড়। যখন মেশিন ফুটবল আর সিনেমার মধ্যে পার্থক্য করতে পারে না, তখন ধীরে ধীরে দর্শকও সেই পার্থক্য হারায়। বিনোদনের স্রোতে খেলাটা একটা 'কনটেন্ট' হয়ে যায়—একটা ক্লিপ, একটা ট্রেইলার, একটা থাম্বনেইল। আমি বলছি না প্রযুক্তি শত্রু। আমি বলছি—লেবেলের মিথ্যা যদি ক্রমাগত চলতে থাকে, তাহলে খেলার ভাষাটাই ক্ষয়ে যাবে। এই কারণেই আমি মনে করি, সবচেয়ে বড় ঝুঁকিটা ফুটবলের নয়—ডেটা-পাইপলাইনের। এই নিবন্ধটিতে ফুটবলের কোনও ঝুঁকি নেই, কারণ ফুটবলই নেই। কিন্তু পাইপলাইনে ঝুঁকি 'উচ্চ'। আর এই বিপরীতমুখী ঝুঁকি—যেখানে কনটেন্ট নির্দোষ কিন্তু সিস্টেম অসতর্ক—সেটাই আসল খবর। আমি স্পোর্টস জার্নালিজমে এসেছি রেডিও থেকে—যেখানে প্রতিটি শব্দ লাইভ, প্রতিটি ভুল ধরা পড়ে সঙ্গে সঙ্গে, কারণ সেখানে এডিট-বাটন নেই। সেই অভ্যাস আমাকে শিখিয়েছে—প্রকাশের আগে যাচাই, এবং যাচাইয়ের সীমা জানা। আমার সমস্যা সবসময় উল্টো—আমি এত যাচাই করি যে তিন দিন দেরি করে ফেলি, অথচ অ্যাগ্রিগেটররা তিন সেকেন্ডে ছেড়ে দেয়। কিন্তু এই নিবন্ধটি দেখায়, কেন সেই তিন দিনের যাচাই মূল্যবান। কারণ দ্রুত ভুল আর ধীর সত্যের মধ্যে পার্থক্যটাই হলো একটি সিস্টেম কতটা সৎ। সুতরাং আসল প্রশ্নটা এই নয়—'এই নিবন্ধটি ফুটবল কি না?' আসল প্রশ্নটা হলো—'আমরা এমন সিস্টেম বানাচ্ছি কেন, যা নিজের ভুল চিনতে পারে না?' ২০২০ সালের খালি স্টেডিয়ামে আমি খেলাটা শুনেছিলাম—সেখানে কোলাহল ছিল না, কিন্তু সত্যিটা আরও স্পষ্ট ছিল। একইভাবে, একটা ভুল লেবেলের ভেতরে যখন ঢুকে দেখি, সেখানে ফুটবল নেই—কিন্তু ডেটার একটা বড় সত্যি আছে। পরের ধাপে যা হওয়া উচিত: প্রথমে ভুলটি সংশোধন, তারপর স্ট্রিম থেকে সরানো, তারপর শ্রেণীবিভাগকারীকে অডিট করা। আর একটা ডোমেইন-গেট যোগ করা—'এই নিবন্ধে অন্তত একটি ফুটবল-এনটিটি আছে কি?' যদি উত্তর না হয়, তাহলে লেবেল আটকে যাবে। কারণ ফুটবল শুধু মাঠে খেলা হয় না। ফুটবল খেলা হয় তার ডেটাতেও—আর সেই ডেটার প্রতিটি লেবেল একেকটি স্বীকারোক্তি। ১২০তম মিনিট জিজ্ঞেস করে না কে ফিট, জিজ্ঞেস করে কে এখনো সৎ। লেবেলের জগতেও ঠিক তাই—প্রশ্ন হলো, আমরা সেই স্বীকারোক্তি পড়তে শিখেছি কি না।