যে ফুটবল ছিল না: ক্রীড়া ডেটা পাইপলাইনে শ্রেণীবিভাগ-ব্যর্থতা এবং সমাধানে ব্লকচেইনের জায়গা

গত শুক্রবার রাত ১১টা ৪৭ মিনিটে আমার ফোনে একটা পুশ নোটিফিকেশন এল। স্ক্রিনের উপরে সবুজ রঙে লেখা — "ফুটবল | ব্রেকিং"। আঙুল চালাতে চালাতে আমি প্রেস বক্সের পুরনো অভ্যাসে ঢুকে পড়লাম: কোন ম্যাচ, কোন মিনিট, কে গোল করল। কিন্তু খুলে দেখি, শিরোনামে কোনো ক্লাব নেই, কোনো স্কোরলাইন নেই। আছে এক মার্কিন কৌতুক অভিনেতার নাম — পিট ডেভিডসন। এসএনএল ছাড়া, প্রেম-সম্পর্ক, সংযমের সংগ্রাম, বাবা হওয়া, আসন্ন ছবি। আমার হাত থেমে গেল।

আমি স্ট্যান্ডে বসে ছিলাম যেদিন ম্যানচেস্টার ডার্বি আমাকে শিখিয়েছিল কীভাবে একটা হট-টেক জন্ম নেয়। ২০১৭ সালের ডিসেম্বর, ওল্ড ট্র্যাফোর্ড, ম্যানচেস্টার সিটি ২-১ ম্যানচেস্টার ইউনাইটেড — ৬৫ শতাংশ দখল, ১৪ শট বনাম ৮। সেই একটা সংখ্যা থেকে আমি লিখেছিলাম, মোরিনহোর লো-ব্লক কোনো বাস নয়, সাদা পতাকা। ৪৫ সেকেন্ডের ভিডিও, ৪৮ ঘণ্টায় ১২ লাখ ভিউ। কিন্তু শুক্রবার রাতে আমি ভিন্ন এক ম্যাচ দেখছিলাম — একটা লেবেল আর একটা কনটেন্টের মধ্যে ম্যাচ, যেখানে ফুটবল নামের দলটা নিজের উইকেটে ব্যাট করছিল।

ঘটনাটা যতটা তুচ্ছ, ততটাই গুরুত্বপূর্ণ। আমার হাতে এসেছে একটি স্টেজ-টু গভীর বিশ্লেষণ প্রতিবেদন। যে নিবন্ধটি বিশ্লেষণ করা হয়েছে, তার ডোমেইন লেবেল লেখা — "ফুটবল"। অথচ ভেতরে ফুটবলের একটি অণুও নেই। ষোলোটি তথ্যবিন্দুর প্রতিটি আমেরিকান বিনোদন শিল্পের। পিট ডেভিডসনের ব্যক্তিগত ও পেশাগত জীবন — কৌতুক, সেলিব্রিটি, টেলিভিশন চুক্তি, আসন্ন চলচ্চিত্র। কোনো ক্লাব নেই, কোনো প্রতিযোগিতা নেই, কোনো খেলোয়াড় নেই, কোনো কোচ নেই, কোনো ট্রান্সফার নেই, কোনো কৌশলগত ধারণা নেই।

এটাই আসল খবর। বিশ্লেষক তার নয়টি মাত্রার প্রতিটিতে লিখেছেন "প্রযোজ্য নয় — কোনো ফুটবল বিষয়বস্তু নেই, যথেষ্ট তথ্য নেই, মূল্যায়ন সম্ভব নয়"। ট্যাকটিক্যাল বিশ্লেষণ, ক্লাব অর্থ, ফলাফল ও জনমত, লিগ-ভূগোল, নিয়ম-শাসন, ড্রেসিংরুম, ঝুঁকি, মিডিয়া-বর্ণনা, শিল্প-প্রসারণ — সবখানেই একই উত্তর। জোর করে এখানে ফুটবল বিশ্লেষণ ঢোকানো মানে বানানো তথ্য তৈরি করা, আর সেটা ক্রীড়া-বিশ্লেষণের মূল নীতির সরাসরি লঙ্ঘন।

তাই বিশ্লেষক যা করেছেন, সেটাই সঠিক পেশাদার প্রতিক্রিয়া: আইটেমটিকে আওতার বাইরে বলে প্রত্যাখ্যান করা, আর একটাই প্রকৃত আবিষ্কার নথিভুক্ত করা — একটি ডেটা-শ্রেণীবিভাগ-ব্যর্থতা। আমি সেটা নিয়ে লিখছি, কারণ আমার আঠাশ বছরের অভিজ্ঞতা বলে: আধুনিক ক্রীড়া-অর্থনীতি আর ক্রীড়া-সাংবাদিকতা — দুটোই এখন অটোমেটেড তথ্যপ্রবাহের উপর দাঁড়িয়ে। যে পাইপলাইন আমার ২০১৭ সালের ওল্ড ট্র্যাফোর্ডের পরিসংখ্যান সবার কাছে পৌঁছে দিয়েছিল, সেই একই পাইপলাইন নিঃশব্দে ভুল লেবেলও ভেতরে ঢুকিয়ে নিতে পারে। আর এই নীরব দূষণই আজকের সবচেয়ে বড় অদৃশ্য ঝুঁকি। মাঠের ভুল চোখে পড়ে; ডেটার ভুল চোখে পড়ে না।

প্রথমেই বুঝতে হবে, লেবেল কী এবং কেন এটা এত ভয়ংকর। ক্রীড়া ডেটা পাইপলাইনে একটি নিবন্ধ প্রথমে শ্রেণীবিভাগ হয় — ফুটবল, ক্রিকেট, বাস্কেটবল, বিনোদন, রাজনীতি। এই লেবেল পরে ব্যবহার হয় একাধিক ধাপে: ডেটাবেস ইনডেক্সিং, ফিড রাউটিং, সুপারিশ ইঞ্জিন, বাজি-বাজারের ইন্টিগ্রিটি মনিটর, ফ্যান্টাসি প্ল্যাটফর্ম, স্কাউটিং ডেটাবেস, সম্প্রচার গ্রাফিক্স, এবং সবচেয়ে ভয়ংকরভাবে — কৃত্রিম বুদ্ধিমত্তার প্রশিক্ষণ ডেটাসেট।

একটি ভুল লেবেল শুধু একটি ভুল নয় — এটা একটা ছড়িয়ে পড়ার উৎস। বিনোদনের খবরটা যখন "ফুটবল" লেবেল নিয়ে ঢোকে, তখন একটা ফুটবল-মডেল সেটাকে ফুটবল-সত্তা হিসেবে শেখে। "পিট ডেভিডসন" নামটা ধীরে ধীরে ফুটবল-সত্তার এমবেডিং-এ ঢুকে পড়ে। সত্তা-স্বীকৃতি বিকৃত হয়। এরপর মডেল যখন কোনো আসল ম্যাচের সারাংশ বানায়, তখন তার আউটপুটে অদ্ভুত, ব্যাখ্যাহীন ভুল দেখা দেয় — আর কেউ বুঝতেই পারে না, দোষটা আসলে একটা পুরনো, ভুল লেবেলের।

এটাকে বলে গারবেজ ইন, গারবেজ আউট। কিন্তু ডেটা ইঞ্জিনিয়ারিংয়ের ভাষায় এর একটা নির্দিষ্ট নাম আছে — লেবেল কনট্যামিনেশন। আর এটাই সবচেয়ে ধূর্ত, কারণ এটা একবারে ধরা পড়ে না।

দ্বিতীয়ত, এই দূষণ কেন ধরতে কঠিন? কারণ লেবেল নিজে কখনো "ভুল" বলে চিৎকার করে না। ভুল লেবেল সবচেয়ে চুপচাপ বাগ — এটা কোনো এরর মেসেজ দেয় না, কোনো ক্র্যাশ ঘটায় না, শুধু ভেতরে ভেতরে মডেলকে বিষিয়ে তোলে। যে বিশ্লেষক এই নিবন্ধটি ধরেছেন, তিনি ধরা পড়েছেন কারণ বিশ্লেষণ প্রতিবেদনটা মানুষ-পাঠ্য ছিল। কিন্তু বাস্তব উৎপাদন পাইপলাইনে এমন ভুল লেবেল বছরের পর বছর চুপচাপ ঘুরতে পারে, কারণ সেটা কোনো নির্দিষ্ট ফলাফল নষ্ট করে না — শুধু ধীরে ধীরে নির্ভুলতা ক্ষয় করে।

তৃতীয়ত, সবচেয়ে বড় প্রশ্ন: কে যাচাই করবে যাচাইকারীকে? প্রতিবেদনটি নিজেই সতর্ক করছে, সমস্যাটি বিচ্ছিন্ন নাও হতে পারে। যদি আপস্ট্রিম ফিড কনফিগারেশনে বিনোদন ফিড আর ফুটবল ফিড মিশে যায়, তাহলে দূষণটা হবে প্রাতিষ্ঠানিক, ব্যক্তিগত নয়। আর প্রাতিষ্ঠানিক দূষণ মানে হাজারো ভুল সিদ্ধান্ত, যার প্রতিটির দায় কেউ নেয় না।

এখানেই ব্লকচেইন প্রাসঙ্গিক হয়ে ওঠে। শুনতে হাইপ মনে হতে পারে, কিন্তু আসল সমস্যাটা কাঠামোগত: আমরা বিশ্বাস করি একটা লেবেল ঠিক আছে, কারণ আমরা ধরে নিই কেউ, কোথাও, কোনো এক সময়ে সেটা যাচাই করেছে। কিন্তু সেই যাচাইয়ের কোনো অপরিবর্তনীয় প্রমাণ নেই। ব্লকচেইন এই জায়গায় একটা ভিন্ন ধরনের সমাধান দেয় — প্রোভেন্যান্স, অর্থাৎ উৎসের প্রমাণ।

ভাবুন, প্রতিটি নিবন্ধ যখন পাইপলাইনে ঢোকে, তখন তার কনটেন্টের একটা ক্রিপ্টোগ্রাফিক হ্যাশ তৈরি হয়, এবং সেই হ্যাশের সঙ্গে লেবেল, টাইমস্ট্যাম্প, সোর্স ফিড — সব একসঙ্গে একটা অপরিবর্তনীয় লেজারে লেখা হয়। এরপর লেবেল কেউ পরিবর্তন করলে সেই পরিবর্তন শিকলভুক্ত হয়ে যায়, মুছে ফেলা অসম্ভব। কে, কখন, কেন লেবেলটা বদলাল — সব অডিট-ট্রেইলে থাকে।

এটা মডেলকে নির্ভুল করে না; এটা মিথ্যার কোনো লুকানোর জায়গা রাখে না। এটাই মূল পার্থক্য। ব্লকচেইন সত্য উৎপাদন করে না, সত্যকে ট্রেসযোগ্য করে।

স্পোর্টস ডেটা বাজারে এই ধারণা নতুন নয়। দীর্ঘদিন ধরে সম্প্রচার সংস্থা, বাজি-অপারেটর আর লাইসেন্সিং সংস্থা ডেটার উৎস-প্রমাণের দাবি তুলে আসছে, কারণ এক লাখ ডলারের লাইসেন্স চুক্তির পেছনে একটা ভুল ফিড মানে বিশাল আর্থিক ক্ষতি। কিন্তু এখনও বেশিরভাগ সিস্টেমে এই প্রমাণ থাকে কেন্দ্রীভূত — অর্থাৎ যার কাছে ডেটা, তার কাছেই সত্য।

ব্লকচেইন-ভিত্তিক অ্যাটেস্টেশন এই ক্ষমতা-কাঠামোকে বদলে দেয়: যখন লেবেল অন-চেইন যাচাইযোগ্য হয়, তখন একটা ফিড সরবরাহকারী আর বলতে পারে না "আমাদের লেবেল সবসময় ঠিক ছিল"। অডিট ট্রেইল থাকলে চুপচাপ মিথ্যা বলা কঠিন হয়ে যায়। আর স্পোর্টস ডেটায় মিথ্যার দাম সবচেয়ে বেশি, কারণ এখানে টাকা, খ্যাতি আর বাজি — তিনটাই জড়িত।

এখানে স্মার্ট কনট্র্যাক্টের ভূমিকাও ভাবতে হবে। ডেটা লাইসেন্সিং চুক্তিগুলো স্বয়ংক্রিয় করা যায় — যদি কোনো ফিড নির্দিষ্ট মানের (যেমন ডোমেইন-ট্যাগ নির্ভুলতা ৯৯ শতাংশের বেশি) না পৌঁছায়, তবে পেমেন্ট স্বয়ংক্রিয়ভাবে আটকে যায়। প্রতিষ্ঠান যখন বুঝবে ভুল লেবেল সরাসরি টাকা খোয়ায়, তখনই ডেটা-গুণমান প্রকৃত অগ্রাধিকার পাবে। উৎসাহ, নীতি-নিবেদন, সদিচ্ছা — এসব দিয়ে ডেটা-গুণমান টেকে না; অর্থনৈতিক প্রণোদনা টেকে।

বাস্তব উদাহরণ ভাবুন। একটা ফ্যান্টাসি প্ল্যাটফর্ম যদি ভুল ফিড থেকে কোনো খেলোয়াড়ের ফিটনেস আপডেট পড়ে, তাহলে লক্ষ লক্ষ ব্যবহারকারী ভুল সিদ্ধান্ত নেয়। একটা বাজি-বাজার যদি ভুল লেবেলের খবরকে ম্যাচ-সংক্রান্ত তথ্য ভেবে নেয়, তাহলে অডস বিকৃত হয়। একটা স্কাউটিং ডেটাবেস যদি দূষিত হয়, তাহলে একটা ক্লাব ভুল খেলোয়াড়ে কোটি টাকা ঢালে। প্রতিটি ক্ষেত্রেই মূল দোষটা মাঠে নয় — পাইপলাইনে।

কৃত্রিম বুদ্ধিমত্তার প্রশিক্ষণে ব্যাপারটা আরও সূক্ষ্ম। একটা বড় ভাষা-মডেল যদি ফুটবল-বিষয়ক সারাংশ তৈরি করতে শেখে, তার প্রশিক্ষণ ডেটায় যদি শতকরা পাঁচ ভাগ ভুল লেবেলের বিনোদন-খবর ঢুকে যায়, তাহলে মডেলটা ফুটবল আর সেলিব্রিটি-সংস্কৃতির মধ্যে একটা ভুয়া সম্পর্ক শিখে ফেলে। সেই সম্পর্ক পরে কখনো সত্য বলে ফিরে আসে — একটা বিভ্রান্তিকর সারাংশ, একটা অদ্ভুত পরিসংখ্যান, একটা ভুল নাম। আর সবচেয়ে বিপজ্জনক: কেউ সেটা চ্যালেঞ্জ করে না, কারণ আউটপুট দেখতে যথেষ্ট বিশ্বাসযোগ্য।

বাংলাদেশ থেকে শুরু করে গোটা দক্ষিণ এশিয়ার ক্রীড়া-মিডিয়া গ্লোবাল ফিডের উপর নির্ভরশীল। আমরা প্রায়ই ভাবি, ডেটা আমাদের কাছে আসে যাচাই হয়ে। আসলে আসে লেবেল হয়ে — আর লেবেল আর সত্য এক নয়। যে তথ্য নিজের পরিচয় জানে না, তার উপর গড়া কোনো সম্পাদকীয় সিদ্ধান্তই নিরাপদ নয়।

বিশ্লেষক প্রতিবেদনটি তিনটি সুপারিশ করেছে, যেগুলো মনোযোগ দিয়ে পড়ার মতো। প্রথম — আইটেমটিকে ডেটা-কোয়ালিটি চেকে পাঠানো, ফুটবল-বিশ্লেষণ পাইপলাইনে ঢুকতে না দেওয়া। দ্বিতীয় — সাম্প্রতিক স্টেজ-ওয়ান আউটপুট অডিট করা, যাতে একই ধরনের ভুল অন্যত্র আছে কি না বোঝা যায়। তৃতীয় — স্টেজ-টু প্রক্রিয়াকরণের আগে একটি ডোমেইন-ভ্যালিডেশন গেট বসানো। এই তিনটির প্রত্যেকটিই কার্যকর, এবং কোনোটিতেই ব্লকচেইন বাধ্যতামূলক নয়।

এখন আসি সেই অংশে, যেখানে আমি নিজের যুক্তির বিরুদ্ধে দাঁড়াব। কারণ প্রতিটি হট-টেকের আসল পরীক্ষা হলো — লেখক নিজেই নিজের দাবিকে চ্যালেঞ্জ করতে পারেন কি না।

প্রথমত, এটা বলা অন্যায় হবে যে লেবেলটা নিঃসন্দেহে ভুল। সেলিব্রিটি আর ক্রীড়ার সংযোগস্থল আজ সত্যিকারের একটি কনটেন্ট-শ্রেণি। ক্রীড়াবিদের প্রেম, ক্রীড়া-তারকার বিনোদন-জগতে প্রবেশ, ক্রীড়া-বিষয়ক রিয়েলিটি শো — এসব বৈধ ক্যাটাগরি। পিট ডেভিডসনের ক্ষেত্রে অবশ্যই ফুটবল-সংযোগ নেই, কিন্তু প্রশ্নটা হলো: ভুলটা কি পাইপলাইনে, নাকি অভিধানে? যদি শ্রেণীবিভাগের তালিকাতেই "সেলিব্রিটি-ক্রীড়া ক্রসওভার" নামে কোনো বালতি না থাকে, তবে শ্রেণীবিভাজক বাধ্য হয়ে নিকটতম উপলব্ধ বালতি বেছে নেয় — আর সেটা হয়ে যায় "ফুটবল"। তাহলে সমস্যাটা ডেটার নয়, অভিধানের। আর অভিধানের সমস্যা ব্লকচেইন দিয়ে মেটে না; সেটা মেটে সম্পাদকীয় সিদ্ধান্ত আর ভালো ট্যাক্সোনমি ডিজাইন দিয়ে।

দ্বিতীয়ত, ব্লকচেইন-প্রমাণের একটা মৌলিক সীমা আছে, যা আমি স্পষ্ট বলতে চাই। একটা লেবেল অন-চেইন হ্যাশ করা মানে এই নয় যে লেবেলটা সঠিক — এর মানে শুধু এই যে কেউ পরে সেটা চুপচাপ বদলাতে পারবে না। ভুল লেবেলের হ্যাশও ভুল লেবেল — অপরিবর্তনীয়তা নির্ভুলতা নয়। ইনপুটে ভুল ঢুকলে ব্লকচেইন সেটাকে চিরস্থায়ীভাবে সংরক্ষণ করে, সংশোধন করে না। এটা ডেটা-অখণ্ডতার চিকিৎসা নয়, শুধু ফরেনসিক।

তৃতীয়ত, বাস্তব খরচ। অন-চেইন স্টোরেজ ব্যয়বহুল, লেটেন্সি বেশি, আর সেকেন্ডে লক্ষ লক্ষ নিবন্ধ প্রক্রিয়াকরণের সময় প্রতিটি লিখন অপারেশন একটা বাধা। একটি ফুটবল ফিডে দিনে হাজার হাজার আইটেম আসে; সবগুলো অন-চেইন লিখতে গেলে খরচ আর গতি — দুটোই অসহনীয় হয়ে উঠতে পারে। ব্যবহারিক বিকল্প হলো অফ-চেইন হ্যাশিং আর অন-চেইন অ্যাংকরিং, অর্থাৎ শুধু রুট হ্যাশ লেজারে রাখা। কিন্তু তাতেও প্রশ্ন থাকে: কে হ্যাশটা তৈরি করবে, কে লেজারে লিখবে, আর সেই লেখক নিজে বিশ্বাসযোগ্য কি না।

চতুর্থত, সবচেয়ে গুরুত্বপূর্ণ — একটা সরল কীওয়ার্ড-গেট, একটা সত্তা-যাচাই, একটা মানুষ-সম্পাদক — এই তিনটির সমন্বয় ব্লকচেইনের চেয়ে অনেক সস্তায় এবং অনেক দ্রুত এই নির্দিষ্ট সমস্যার ৯০ শতাংশ সমাধান করে দিতে পারত। আমি যদি এই মুহূর্তে কাউকে একটি পরামর্শ দিই, সেটা হবে ব্লকচেইন নয় — সেটা হবে একটি ডোমেইন-ভ্যালিডেশন গেট। ব্লকচেইন আসবে তার পরে, যখন মূল অবকাঠামো ঠিক হয়ে যাবে, যখন সত্যিই অপরিবর্তনীয় প্রমাণের দরকার হবে — যেমন একাধিক প্রতিষ্ঠানের মধ্যে ডেটা লাইসেন্সিং বিরোধে, বা বাজি-বাজারের ইন্টিগ্রিটি তদন্তে।

পঞ্চমত, আমি নিজের অতীতের একটা ভুলও মনে করিয়ে দিতে চাই। ২০২০ সালের খালি স্টেডিয়ামে ম্যানচেস্টার সিটি ৩-০ আর্সেনাল ম্যাচে ডেভিড লুইসের ২৫ মিনিটের ধস নিয়ে আমি হট-টেক লিখেছিলাম, কিন্তু ফলো-আপ যাচাই করিনি — লুইসের চুক্তির অবস্থা দেখতে ভুলে গিয়েছিলাম। পাঠকরা ধরে দিয়েছিলেন। সেই শিক্ষা আজও আমার সঙ্গে আছে: উৎসাহের মুহূর্তে যাচাই বাদ পড়ে। ঠিক একইভাবে, ডেটা-পাইপলাইনে গতি আর উৎসাহের মুহূর্তে শ্রেণীবিভাগের যাচাই বাদ পড়ে। তাই ব্লকচেইনকে আমি রুপালি গুলি বলে দাবি করছি না — বলছি, এটা একটা স্তর, শুধু একটা স্তর।

তাহলে সামনের দিকে তাকিয়ে আমার পূর্বাভাস কী? আগামী ১২ থেকে ১৮ মাসের মধ্যে বড় ক্রীড়া-ডেটা সমষ্টিকরণকারীরা লেবেল-অ্যাটেস্টেশনের জন্য ক্রিপ্টোগ্রাফিক প্রমাণ — ব্লকচেইন-ভিত্তিক বা হাইব্রিড — চালু করতে শুরু করবে, অন্তত লাইসেন্সিং চুক্তির ক্ষেত্রে। কারণ প্রণোদনা স্পষ্ট: একটি ভুল লেবেল যখন সম্প্রচারে, বাজিতে আর এআই মডেলে ছড়িয়ে পড়ে, তখন ক্ষতির অঙ্ক আর অজুহাত চলে না।

পাশাপাশি আমি ধরে নিচ্ছি, স্টেজ-টু-র আগে বাধ্যতামূলক ডোমেইন-ভ্যালিডেশন গেট এক বছরের মধ্যে শিল্প-মান হয়ে উঠবে। আর একটা ভবিষ্যদ্বাণী আরও নির্দিষ্ট করে বলি: পরবর্তী বড় ক্রীড়া-ডেটা কেলেঙ্কারি আসবে খারাপ পরিসংখ্যান থেকে নয় — আসবে একটা ভুল লেবেল থেকে, যা কেউ বছরের পর বছর লক্ষ্যই করেনি।

এখন আসল গল্প মাঠে হাঁটতে শুরু করে। প্রশ্নটা আর "কে জিতল" নয় — প্রশ্নটা হলো, আমরা যে তথ্যের উপর ভিত্তি করে জয়-পরাজয় বিচার করি, সেই তথ্য নিজেই বিশ্বাসযোগ্য কি না। যে ডেটা নিজের পরিচয় জানে না, সে ডেটার উপর ভরসা করে গড়া কোনো সিদ্ধান্তই টিকবে না। আর আমার আঠাশ বছরের অভিজ্ঞতা বলে — মাঠের ম্যাচ শেষ হয় বাঁশির শব্দে, কিন্তু লেবেলের ম্যাচ কখনো শেষ হয় না।