খালি ইনপুটের গভীরে: যখন ডেটা পাইপলাইন ক্রিকেট বিশ্লেষণকে অন্ধ করে দেয়

হংকংয়ের একটি ছোট ফ্ল্যাটে বসে আমি যখন ক্রিকেট অ্যানালিটিক্সের ওয়ার্কফ্লো ডিজাইন করছিলাম, তখন স্ক্রিনে ভেসে ওঠা একটা ফাঁকা আউটপুট আমাকে থামিয়ে দিল। স্টেজ-১ ডিকনস্ট্রাকশনের রেজাল্ট তৈরি হয়েছে, অথচ ভিতরে কোনো টাইটেল নেই, কোনো সোর্স নেই, কোনো ইনফরমেশন পয়েন্ট নেই। শুধু একটা ডোমেইন লেবেল ঝুলে আছে: ক্রিকেট_এশিয়া। এটা কোনো ম্যাচ রিপোর্ট নয়, কোনো প্লেয়ার টেকনিক অ্যানালিসিসও নয়। এটা তার চেয়েও বড় কিছু — সিস্টেমের ভেতরে একটা নীরব ফেলিওর। যারা আমাকে চেনেন, তারা জানেন আমি হট-টেক দিতে ভালোবাসি, কিন্তু সেই হট-টেকের নিচে সবসময় স্প্রেডশিট থাকে। ২০১৭ সালে কিটচি সাপোর্টার গ্রুপ যখন আমাকে ব্যান করেছিল, তখন শিখেছিলাম — প্রমাণ ছাড়াopinion মানে শুধু শব্দ। আজ যেটা দেখছি, সেটা ঠিক তার উল্টো: প্রমাণ সংগ্রহের পাইপলাইন নিজেই ভেঙে পড়েছে। ব্লকচেইনের দুনিয়ায় আমরা বলি, garbage in, garbage out। ক্রিকেট অ্যানালিটিক্সের ক্ষেত্রেও নিয়মটা অপরিবর্তিত। এই লেখাটা সেই ফাঁকা ইনপুটের খননকাজ — কেন ক্রিকেট ডেটা পাইপলাইন ফেল করে, আর কেন এই ফেলিওরকে আমরা হালকাভাবে নিই না।

ক্রিকেট অ্যানালিটিক্স আজকাল শুধু একটা স্ট্যাটস টেবিল নয়। এটা একটা মাল্টি-লেয়ার পাইপলাইন। প্রথম স্তরে থাকে র-ডেটা: ম্যাচ ফিড, বল-বাই-বল লগ, পিচ ম্যাপ, ফিল্ড প্লেসমেন্ট। দ্বিতীয় স্তরে থাকে এক্সট্রাকশন: হেডলাইন, সোর্স, ইনফরমেশন পয়েন্ট, ভিউপয়েন্ট। তৃতীয় স্তরে থাকে ডিপ অ্যানালিসিস। যখন প্রথম বা দ্বিতীয় স্তর ফাঁকা হয়ে যায়, তখন তৃতীয় স্তরে পৌঁছানোর কোনো পথ থাকে না। যে নিবন্ধটা বিশ্লেষণ করতে বলা হয়েছিল, তার টাইটেল ছিল N/A, সোর্স ছিল N/A, টাইপ ছিল Unclassified। একশটা গভীর প্রশ্নের জবাব দিতে হবে, অথচ হাতে নেই কোনো কনটেন্ট। এর মানে এই নয় যে ক্রিকেটের ভেতরে কিছু ঘটেনি। এর মানে হলো, আমাদের পর্যবেক্ষণ ব্যবস্থা সেটা ধরতে পারেনি। ক্রিকেট জগতে এমন অনেক ঘটনা আছে যেগুলো ডেটা সিস্টেমের ফাঁক গলে হারিয়ে যায়। একটা টেস্ট ম্যাচের পঞ্চম দিনের সেশনের গতি, একটা ডেথ ওভারের বোলিং প্যাটার্ন, একটা ব্যাটসম্যানের ফুটওয়ার্কের সূক্ষ্ম পরিবর্তন — এসব যদি ডেটা ফিডে না ঢোকে, তবে বিশ্লেষণ কাগজে-কলমে শূন্য।

এখন আসি আসল সমস্যায়। এশিয়ার ক্রিকেট ইকোসিস্টেমে ডেটা পাইপলাইনের ফেলিওর কোনো নতুন ঘটনা নয়। ২০১৯ সালে দৈনিক স্টার স্পোর্টস ডেস্কে যখন কাজ শুরু করি, তখন দেখেছি প্রেস রিলিজ থেকে রিপোর্ট তৈরি হয়, অথচ মূল ম্যাচ ডেটার সোর্স অনেক সময় যাচাই করা হয় না। ২০২০ সালে বুন্দেসলিগার করোনা পরবর্তী ৮১টি ম্যাচ আমি নিজে লগ করেছিলাম, কারণ অফিসিয়াল ডেটা ফিডে ইমপ্টি স্টেডিয়ামের প্রভাব ছিলনা। ক্রিকেটেও একই ঘটনা ঘটে। একটা আইপিএল ম্যাচের ফলাফল যদি পে-ওয়ালড সোর্স থেকে স্ক্র্যাপ করতে গিয়ে জাভাস্ক্রিপ্ট-রেন্ডারড পেজে আটকে যায়, তখন সেই ম্যাচের কোনো ইনফরমেশন পয়েন্টই সিস্টেমে ঢোকে না। ফলে বিশ্লেষক হাতে পান শূন্য। এই শূন্যতা কিন্তু নিরীহ নয়। এটা একটা সাইলেন্ট ডেটা করাপশন। একটা টিমের স্কোয়াড স্ট্রাকচার, একটা প্লেয়ারের রোল আইডেন্টিফিকেশন, একটা টুর্নামেন্টের ফরম্যাট কনটেক্সট — সবকিছুর ভিত্তি এই ডেটা। যখন ভিত্তিই ফাঁকা, তখন উপরের তলা যত সুন্দর দেখাক, সেটা শুধুই প্রলাপ। আমার অভিজ্ঞতায়, এই ধরনের ফাঁকা ইনপুট সবচেয়ে বেশি ঘটে তখনই, যখন সোর্স আর্টিকেল একাধিক টপিক মিশিয়ে ফেলে, পে-ওয়ালের আড়ালে লুকিয়ে থাকে। ক্রিকেট_এশিয়া ট্যাগটা একমাত্র সিগন্যাল, যা থেকে আন্দাজ করা যায় বিষয়টা এশিয়ান ক্রিকেট নিয়ে ছিল। কিন্তু এই ইঙ্গিত এতটাই মোটা যে এটা দিয়ে কোনো টিম, কোনো ফরম্যাট বা কোনো প্লেয়ার শনাক্ত করা অসম্ভব।

এখানেই মূল হট-টেক। আমরা ক্রিকেট অ্যানালিটিক্সে যতটা সময় কনক্লুশন নিয়ে ভাবি, তার চেয়ে অনেক বেশি সময় দেওয়া উচিত ডেটা ইনটিগ্রিটি নিয়ে। একটা ডেটা পাইপলাইনের সবচেয়ে বিপজ্জনক অবস্থা হলো, যখন সেটা কোনো এরর মেসেজ ছাড়াই ফাঁকা আউটপুট দেয়। এরর মেসেজ এলে আমরা ঠিক করে ফেলি। কিন্তু ফাঁকা আউটপুট আসলে আমরা অনেক সময় ধরতেই পারি না, আর যদি ধরি, তখন ধরতে চাই না, কারণ ফাঁকা মানে আমাদের পুরো কাজটা অর্থহীন। এই জায়গায় ক্রিকেট ইন্ডাস্ট্রি প্রযুক্তি ইন্ডাস্ট্রির চেয়ে অনেক পিছিয়ে। একটা নিউজরুমে যদি স্টেজ-১ ফাঁকা আসে, কেউ হয়তো সেটা প্যাচ করে খবর লিখে ফেলে। কিন্তু একটা ব্লকচেইন-ভিত্তিক ডেটা সিস্টেমে ফাঁকা মানে ফাঁকা। সেখানে অনুমান করে সেল ভরানো যায় না। আমি নিজে এই শিক্ষা পেয়েছি ২০১৮ সালে, যখন জার্মানির বিশ্বকাপ গ্রুপ পর্বের প্রেডিকশন টাইমস্ট্যাম্প দিয়ে পাবলিশ করেছিলাম। যদি সেই প্রেডিকশন ফাঁকা ডেটার উপর দাঁড়াত, তবে রেপুটেশন থাকত না। প্রতিটা দাবির নিচে স্প্রেডশিট থাকতে হবে — এই নিয়মটা আমি ব্যান হওয়ার পর বুঝেছি।

এখন আসি কাউন্টার-আর্গুমেন্টে। কেউ বলতে পারেন, ফাঁকা ইনপুট আসলে বিশ্লেষকের জন্য একটা সুযোগ। যদি হাতে ডেটা না থাকে, তবে বিশ্লেষক তার আগের অভিজ্ঞতা, মেমোরি আর ক্রিকেট-সেন্স দিয়ে একটা ফ্রেমওয়ার্ক দাঁড় করাতে পারেন। আমি সেটা মানি আংশিকভাবে। একটা অভিজ্ঞ বিশ্লেষকের মাথায় সঞ্চিত জান থাকে — টেস্ট ক্রিকেটে ফরম্যাটের প্রভাব, T20-তে স্ট্রাইক রেটের ওজন, বা একটা পেসার আর স্পিনারের ভিন্ন রোল বেঞ্চমার্ক। কিন্তু এই পথটা ছুরির ধারে হাঁটার মতো। ডেটা ছাড়া কনটেক্সট রিকনস্ট্রাকশন করতে গেলে ফ্যান্টাসি ঢুকে পড়ে। আমি নিজে ২০২০ সালে স্টেডিয়াম ফাঁকা থাকার প্রভাব নিয়ে যখন কাজ করেছিলাম, তখন আমার সব নোট কার্ড ছিল — কী-লিগ, বুন্দেসলিগা, প্রতিটা ম্যাচের টাইমস্ট্যাম্প। যদি সেই নোট না থাকত, আমি হয়তো গল্প বানিয়ে ফেলতাম। ক্রিকেটে এই ঝুঁকিটা আরও বেশি, কারণ টেস্ট, ওডিআই আর টি-টোয়েন্টির মধ্যে একটার কনক্লুশন আরেকটাতে টেনে নিলে বিশ্লেষণ ধসে পড়ে। একটা ফাঁকা ইনপুটের খাঁদে পড়ে আমরা যদি সেটা ভুল ট্র্যাকেও পূরণ করার চেষ্টা করি, সেটা ইনপুট ফেলিওরের চেয়েও বড় ক্ষতি। এজন্যই স্টেজ-২-এ "insufficient information, cannot assess" লেখাটা দুর্বলতা নয়, এটা শৃঙ্খলা।

শেষে একটা প্রেডিকশন দিয়ে রাখি। আগামী দুই বছরের মধ্যে এশিয়ার ক্রিকেট ইকোসিস্টেমে ডেটা পাইপলাইনের ভ্যালিডেশন গেট একটা বাধ্যতামূলক জিনিস হয়ে উঠবে। যেসব নিউজরুম বা অ্যানালিটিক্স হাউস এখন ফাঁকা স্টেজ-১ আউটপুট সাইলেন্টলি প্যাচ করে কাজ চালায়, তারা ধীরে ধীরে বাজারে বিশ্বাস হারাবে। কারণ ক্রিকেট ফ্যানরা এখন প্রমাণ চায় — শুধু ক্লেইম নয়। ২০১৭ সালে কিটচি সাপোর্টার গ্রুপ আমাকে banned করেছিল, কারণ আমি ডেটা দিয়ে তাদের গল্প চ্যালেঞ্জ করেছিলাম। আজ সেই একই যুক্তি প্রযোজ্য: প্রমাণ ছাড়া কোনো দেশ, কোনো টিম, কোনো প্লেয়ার, কোনো লীগ নিয়ে বিশ্লেষণ মানে শুধু গল্প। ফাঁকা ইনপুট আসলে আমাদের লজ্জা নয়, এটা আমাদের আয়না। এখন প্রশ্ন হলো — আমরা কি সেই আয়নায় তাকানোর সাহস রাখি?