টেনিস ট্যাগে তেলের খবর: একটি ডেটা-ইন্টিগ্রিটি দুর্ঘটনা আমাদের কী শেখাল

সকাল ৯টা ১৪ মিনিট। রংপুরে আমার ঘরের ইনবক্সে একটি ব্রিফ জমা পড়ল। ট্যাগ: টেনিস। আমি টেনিস ও ট্র্যাক-অ্যান্ড-অ্যারিনা ডেস্কে বসে থাকি; তাই ব্রিফটি খুলতেই মনে হলো, আজকের পোস্টটি হয়তো জুনিয়র আইটিএফ সার্কিটের ফল, অথবা ডেভিস কাপের গ্রুপ-ভি টাইয়ের খবর। কিন্তু প্রথম অনুচ্ছেদে লেখা—ব্রেন্ট ক্রুড ১০৫.৫২ ডলার, ডব্লিউটিআই ৯২.৯৩ ডলার। পরের লাইনে হরমুজ প্রণালী, হৌথি ক্ষেপণাস্ত্র হামলা, মার্কিন ডিজেল রপ্তানি নিয়ে রাজনৈতিক উত্তাপ। আমি থমকে গেলাম। আবার ট্যাগ দেখলাম: টেনিস। আবার ভেতরের ১৯টি ইনফরমেশন পয়েন্ট পড়লাম। একটিতে খেলোয়াড় নেই, কোচ নেই, টুর্নামেন্ট নেই, র‌্যাংকিং নেই, ম্যাচ-স্কোর নেই। সিস্টেম আমাকে টেনিস বলেছে, কিন্তু উপাত্ত সবই তেল-বাজারের।

একজন টেনিস লেখকের প্রথম প্রবৃত্তি হলো ম্যাচের ভেতরে ঢোকা। আমি ২০১৭ সালে ন্যাশনাল টেনিস চ্যাম্পিয়নশিপের ১৯৭২ সাল থেকে সব রেজাল্ট আর বাংলাদেশের ১৯৮৬ সালের ডেভিস কাপ অভিষেক থেকে প্রতিটি টাই—একটি স্প্রেডশিটে সাজিয়েছিলাম। কেউ চায়নি। আমি নিজেই বানিয়েছিলাম। সেদিন শিখেছিলাম, তথ্য কাউকে জিজ্ঞেস করার আগেই সংগ্রহ করতে হয়। কিন্তু আজকের এই ব্রিফের জন্য আমার শিটে কোনো কলাম নেই। কারণ এখানে টেনিসের কোনো ঘটনাই ঘটেনি। স্প্লিট-টাইমস শিট মানুষকে ফ্যাক্ট-চেক করতে শেখায়; কিন্তু যখন ইনপুটই ভুল ডোমেইনের, তখন শিট কিছুই করতে পারে না। শুধু বলে দিতে পারে: ফাঁকা।

এরপর আমি দেখলাম 'এনটিটিজ ইনভলভড' ফিল্ডটি প্লেসহোল্ডার হিসেবে পড়ে আছে—'উপরের ইনফরমেশন পয়েন্ট থেকে শনাক্ত করুন' লেখা। 'টাইম সেনসিটিভিটি' ফিল্ডে লেখা 'পর্যায়-১-এ মূল্যায়ন করা হয়নি'। আর নয়-মাত্রার টেনিস অ্যানালিটিক্যাল ফ্রেমওয়ার্কের প্রতিটি ঘরে শুধু 'N/A'। প্রযুক্তিগত ও কৌশলগত বিশ্লেষণ নেই; ডেটা ও ফর্ম নেই; টুর্নামেন্ট সিস্টেম নেই; প্লেয়ার পজিশনিং নেই; নিয়ম-শাসন নেই; টিম ম্যানেজমেন্ট নেই; রিস্ক নেই; মিডিয়া ন্যারেটিভ নেই; ইন্ডাস্ট্রি ট্রান্সমিশন নেই। সব শূন্য। এই শূন্যতা আসলে দুর্ঘটনা নয়; এটি একটি ডায়াগনস্টিক সংকেত। সিস্টেম যে জানে না সে কী করছে, তার প্রমাণ।

বলা দরকার, উৎসটি সম্পর্কেও প্রশ্ন আছে। প্রতিবেদনটির ডেটলাইন লন্ডন, কিন্তু কোনো নাম করা সংস্থা নেই। এতে যে পরিস্থিতি বর্ণিত—ফেব্রুয়ারির শেষ থেকে মার্কিন-ইরান যুদ্ধ, নৌ-অবরোধ, হরমুজ প্রণালী বন্ধ, রেকর্ড মার্কিন ডিজেল দাম—মূলধারার বিশ্ব সংবাদে এর কোনো হদিশ নেই। আমার কাছে এটা মনে হচ্ছে সিন্থেটিক দৃশ্যকল্প, অথবা হাইপোথেটিক্যাল ডেটাসেট। আমি যদি এটিকে সত্যি সংবাদ হিসেবে গণ্য করি, তাহলে ভবিষ্যতের কোনো মডেল ভুল শিখবে। তাই দ্বিতীয় সিদ্ধান্ত: এই আইটেমটি যতক্ষণ না উৎস নিশ্চিত হচ্ছে, ততক্ষণ কোনো ফ্যাক্ট ডেটাসেটে ঢোকানো উচিত নয়।

এখন প্রশ্ন হলো, আমি কেন এই নিয়ে এত বিস্তারিত লিখছি? কারণ 'টেনিস ট্যাগে তেলের খবর' শোনাতে পারে তুচ্ছ। কিন্তু আমার ২০১৮ সালের রাশিয়া অভিজ্ঞতা আমাকে অন্য কথা শিখিয়েছে। ২৪ দিন, ১১টি ম্যাচ লাইভ, এবং ভিএআর-এর প্রথম বিশ্বকাপ। তখন আমি একটা পূর্বাভাস লিখেছিলাম: ভিএআর-এর শক্ত অফসাইড কল প্রতিরক্ষা লাইনকে গভীর করবে এবং কার্যকর খেলার এলাকা প্রায় পাঁচ মিটার ছোট করবে। অনেকে হেসেছিল। কোয়ার্টার ফাইনালে দেখা গেল অনুমানটি মূলত সত্যি। ভিএআর প্লে থামায় না; ভিএআর খেলার জ্যামিতি নতুন করে লেখে। একইভাবে, এই ভুল ট্যাগটি আমার কাজ থামায়নি; এটি আমার দৃষ্টিভঙ্গিকে নতুন করে সাজিয়েছে। এটা প্রমাণ করে যে একটি ডেটা পাইপলাইনের সবচেয়ে বিপজ্জনক জায়গা হলো লেবেলিং-এর মুহূর্ত।

লেবেলিং-এর মুহূর্তে কী ঘটল, তা আমি ধাপে ধাপে ভাঙতে চাই। প্রথমত, অটোমেটেড রাউটার সম্ভবত 'টেনিস' শব্দের সঙ্গে কোনো কী-ওয়ার্ড দেখে পুরো নিবন্ধটিকে টেনিস ডোমেইনে পাঠিয়ে দিয়েছে। কিন্তু নিবন্ধে ব্রেন্ট, ডব্লিউটিআই, হরমুজ, হৌথি, ডিজেল—এমন ১৯টি পয়েন্ট আছে, যার সবকটিই কমোডিটিস ও ভূ-রাজনীতি। দ্বিতীয়ত, কেউ যদি এই ব্রিফকে 'টেনিস' বলে মেনে নিয়ে নয়-মাত্রার ফ্রেমওয়ার্ক চালাতে বসত, তাহলে তাকে বানাতে হতো 'তেল সরবরাহ = সার্ভ', 'হরমুজ প্রবাহ = রিটার্ন পয়েন্ট', 'ব্রেন্ট-ডব্লিউটিআই স্প্রেড = উইনার-আনফোর্সড এরর রেশিও'। এ ধরনের ম্যাপিং সম্পূর্ণ বানানো বিশ্লেষণ হবে। অ্যান্টি-হ্যালুসিনেশন নীতি বলে, কোনো তথ্য না থাকলে সেটি স্বীকার করাই পেশাদারি।

আমি ২০২০ সালের জুনে একটি পাঁচ বছরের পূর্বাভাস দিয়েছিলাম। রমনার ন্যাশনাল টেনিস কমপ্লেক্স নীরব হয়ে যাওয়ার পর আমি লিখেছিলাম, বাংলাদেশের টেনিস পুনরুদ্ধার আসবে আইটিএফ জে৩০ জুনিয়র ইভেন্ট এবং স্কুল কোর্ট থেকে, কোনো ট্যালেন্ট হান্ট থেকে নয়। আমি সেদিন তারিখ দিয়েছিলাম। এই অভ্যাস আছে বলেই আজ আমি নিজের ভবিষ্যদ্বাণী যাচাই করতে পারি। এখানেও আমি তারিখ দিতে চাই: এই পাইপলাইন ত্রুটি এক দিনের সমস্যা নয়, যদি না আমরা ব্যবস্থা ঠিক করি। ২০২০ সালে আমি যেমন বলেছিলাম 'স্কুল কোর্ট বদলালে, তবে পরবর্তী মাপযোগ্য ধাপ বদলাবে', তেমনি আজ বলছি—ডোমেন-কনফিডেন্স গেট না থাকলে, কাল টেনিস ডেস্কে তেলের খবরই শেষ নয়; এরপর আসতে পারে ফুটবলে শেয়ারবাজারের খবর, ক্রিকেটে আবহাওয়ার পূর্বাভাস।

এখানে আরেকটি গভীর সমস্যা আছে। সাংবাদিকতা ও অ্যানালিটিক্সের মধ্যে যখন একটি অটোমেটেড সিস্টেম ঢুকে পড়ে, তখন মানুষের চোখ প্রায়ই বিশ্বাস করতে চায় না। 'টেনিস' ট্যাগটি দেখে আমার প্রথম প্রতিক্রিয়া ছিল ভেতরে কোনো 'লুকানো টেনিস সংবাদ' খোঁজা। হয়তো গালফ অঞ্চলের কোনো টেনিস ইভেন্টে তেল-সংকটের প্রভাব আছে? হয়তো হরমুজ বন্ধ হয়ে গেলে খেলোয়াড়দের ভ্রমণব্যবস্থা বদলাবে? কিন্তু না। উৎসের একটিও লাইনে টেনিসের ইঙ্গিত নেই। গালফের অস্থিরতা যে তত্ত্বগতভাবে মধ্যপ্রাচ্যে অনুষ্ঠিত টেনিস ইভেন্ট বা গালফের বিনিয়োগকে স্পর্শ করতে পারে, সেটি আমার নিজস্ব অনুমান—লেখাটিতে নেই। তাই এটিকে আমি বিশ্লেষণের সিদ্ধান্ত বলতে পারি না; শুধু ট্র্যাকিং হাইপোথিসিস বলতে পারি। উৎস থেকে যা পাওয়া যায় না, সেটুকুকে 'হিডেন ইনফরমেশন' বলে বিক্রি করা ঠিক নয়।

আমার ক্যারিয়ারে আরেকটি শিক্ষা আছে, যা এই প্রসঙ্গে প্রাসঙ্গিক। ইউরো ২০২০-তে ইতালি একটি নির্দিষ্ট সুপারস্টারের ওপর নির্ভর না করে টাইটল জিতেছিল। সিস্টেম রোস্টারকে ছাড়িয়ে গিয়েছিল। টোকিও অলিম্পিকে বাংলাদেশের শিরিন আক্তার ও জাহির রায়হানের হিট দেখে আমি লিখেছিলাম, বাংলাদেশের অলিম্পিক উপস্থিতি কাঠামোগত, আকস্মিক নয়। সেই কাঠামোগত বিশ্লেষণ আমাকে দুটি কলামে প্রি-রাইট করতে শিখিয়েছে: একটি 'সিস্টেম' কলাম, একটি 'স্টার' কলাম। প্রতিটি টুর্নামেন্টের আগে দুটি কলামই ভরা থাকে; যা যাচাই হয়, তা ছাপা হয়। আজকের ব্রিফে সিস্টেম কলাম বলছে, এটি টেনিস নয়; স্টার কলাম বলছে, কোনো তারকাই নেই। দুটি কলামই ফাঁকা থাকলে সততার উত্তর হলো: 'জানি না'।

এখন 'কন্ট্রারিয়ান অ্যাঙ্গেল'-এ আসি। সাধারণ প্রবণতা হবে এই ভুলটিকে একক QA ব্যর্থতা বলে উড়িয়ে দেওয়া। কিন্তু আমি উল্টো দেখছি। একটি ভুল লেবেল আসলে পুরো আস্থা-ব্যবস্থার চাপ-পরীক্ষা। যে পাইপলাইন একটি নিবন্ধকে টেনিস ট্যাগ দিতে পারে, সে আবার কোনো কাল্পনিক খবরকে সত্যি বলেও চালাতে পারে। আরও বিপজ্জনক হলো, যদি এই ধরনের মিসলেবেল করা আইটেমগুলোকে আলাদা না করা হয়, তাহলে ডাউনস্ট্রিম মডেল ভুল ক্রস-ডোমেইন সম্পর্ক শিখবে। যেমন—হরমুজ বন্ধের দিন টেনিস আগ্রহ কমে, বা তেলের দাম বাড়লে গ্র্যান্ড স্ল্যাম ভিউয়ারশিপ বাড়ে। এ রকম স্পুরিয়াস সম্পর্ক একবার শিখে গেলে তা থেকে বেরিয়ে আসা কঠিন। তাই এই ঘটনাটি আমাদের জন্য একটি বিনামূল্যের ডায়াগনস্টিক।

কাতারে ২০২২ বিশ্বকাপে আমি আটটি স্টেডিয়াম দেখেছি, সবগুলো প্রায় ৫০ কিলোমিটারের মধ্যে। ওই কমপ্যাক্ট মডেলটি আমি ৩১টি প্রতিবেদনে ব্যাখ্যা করেছি। সেখানে শিখেছিলাম, কোনো বড় আয়োজনের সাফল্য নির্ভর করে লজিস্টিক ও তথ্যের কমপ্যাক্ট প্রবাহের ওপর। তথ্যও তেমনি। যত দ্রুত একটি ট্যাগ থেকে চূড়ান্ত প্রতিবেদনে পৌঁছানো যায়, তত বেশি দায়িত্ব চাই। লন্ডন ডেটলাইন, নামহীন উৎস, অযাচিত দৃশ্যকল্প—এই তিনটি মিলে একটি অসম্পূর্ণ ব্লক তৈরি করে। ব্লকচেইনের ভাষায় বললে, জেনেসিস ব্লকটিই যদি নকল হয়, তাহলে পুরো চেইন ভুল হয়ে যাবে। সাংবাদিকতার ব্লকচেইন মানে এই নয় যে সব খবর ব্লকচেইনে লেখা হবে; মানে প্রতিটি খবরের জন্মলগ অপরিবর্তনীয় থাকবে।

এখন আমি সেই জন্মলগের কথা ভাবছি। কে বা কী এই ব্রিফকে 'টেনিস' চিহ্নিত করল? কোন অ্যালগরিদম, কোন কী-ওয়ার্ড তালিকা, কোন প্রশিক্ষণ ডেটাসেট থেকে এসেছে সিদ্ধান্তটি? 'টেনিস' শব্দটি কি নিবন্ধের কোথাও ছিল? আমি পড়লাম। নেই। কোথাও 'টেনিস' লেখা নেই। অথচ লেবেল আছে। তখন আমার ২০১৮ সালের আরেকটি স্মৃতি ফিরে আসে। রাশিয়ায় ভিএআর রিভিউ দেখে আমি শিখেছিলাম, রেফারির চোখ সবসময় ভুল জায়গায় থাকে না; ভুল হয় প্রক্রিয়ার মধ্যে। এখানেও ভুল খেলোয়াড়ের নয়; ভুল প্রক্রিয়ার। সিস্টেম যদি লেবেল তৈরি করে, তবে সিস্টেমকেই প্রশ্ন করতে হবে।

আমি যদি এই প্রতিবেদনটির জন্য একটি 'অডিট টেমপ্লেট' বানাতাম, তাহলে তাতে পাঁচটি ঘর থাকত। প্রথম: উৎস। কোন সংস্থা, কোন সাংবাদিক, কোন ডেটলাইন? দ্বিতীয়: বিষয়-শ্রেণি। কী-ওয়ার্ড মিলিয়ে কি আসলেই টেনিস? তৃতীয়: সময়-সংবেদনশীলতা। খবরটি কি আজকের, নাকি পুরনো? চতুর্থ: তথ্যের সংখ্যা ও নির্ভরযোগ্যতা। দুটি স্বাধীন সূত্র কি একই কথা বলছে? পঞ্চম: সম্পাদকীয় দায়। একজন মানুষ কি এই লেবেল অনুমোদন করেছেন? এই পাঁচটি ঘর ভরলেই আজকের ব্রিফ আটকানো যেত। কিন্তু ভরিনি, কারণ সেই টেমপ্লেট এখনো পাইপলাইনে নেই। আমার স্প্লিট-টাইমস শিট যেভাবে আগে বানিয়ে রেখেছিলাম, সেভাবে আমার 'লেবেল-অডিট টেমপ্লেট' আগে বানানো উচিত ছিল।

এখন পাঠক বলতে পারেন, ৩৩শ শব্দের এই বিশ্লেষণ কি অতিরঞ্জিত নয়? একটি ভুল ট্যাগকে ঘিরে এত কাঠামো? কিন্তু আমি যে জগতে কাজ করি, সেখানে ছোট ভুল বড় গল্প বদলে দেয়। ১৯৮৯ সালে বাংলাদেশ ডেভিস কাপের এশিয়া/ওশেনিয়া সেমিফাইনালে পৌঁছেছিল; ১৯৭২ সালে ফেডারেশন তৈরি হয়েছিল। সেই ইতিহাসকে 'অনুপ্রাণিত পরিশ্রম' বলে উড়িয়ে দিলে আমরা দেখতে পাব না, আসল সমস্যা ছিল শাসন ও তহবিলের অভাব। ঠিক তেমনি এই একটি ভুল ট্যাগকে 'টাইপো' বলে উড়িয়ে দিলে আমরা দেখতে পাব না, আসল সমস্যা হলো ডেটা-গভর্ন্যান্স। শাসনব্যবস্থা না বদলালে ভালো খেলোয়াড় এলেও খেলা বাঁচে না; লেবেলিং-প্রক্রিয়া না বদলালে ভুল তথ্য যাচাই হয়ে যাওয়ার ঝুঁকি থাকে।

একটি নির্দিষ্ট পরামর্শও দিতে চাই। প্রতিটি আইটেমে একটি 'ডোমেইন-কনফিডেন্স স্কোর' থাকা উচিত। স্কোর ৯০ শতাংশের নিচে হলে কোনো অটোমেটিক লেবেল চূড়ান্ত নয়; মানব সম্পাদককে দেখতে হবে। আমি যখন সাতাশ বছর ধরে খেলার খবর লিখছি, তখন বারবার দেখেছি, একজন অভিজ্ঞ সম্পাদকের চোখ পাঁচ সেকেন্ডে ধরতে পারে যে একটি 'ক্রিকেট' ট্যাগের নিবন্ধে বাস্কেটবলের পরিভাষা লেখা আছে। কিন্তু অ্যালগরিদমের চোখ নেই; অ্যালগরিদমের আছে প্যাটার্ন। প্যাটার্ন ভুল হলে, ভুলটাই স্থায়ী হয়ে যায়। তাই মানুষ ও মেশিনের মধ্যবর্তী গেটটি ডিজাইন করাই এখন সবচেয়ে জরুরি।

আমি আরও একটি বিষয় তুলতে চাই, যা সবার চোখ এড়িয়ে যায়। উৎস-প্রোভেন্যান্স সমস্যাটি শুধু এই প্রতিবেদনের নয়; পুরো ব্যাচের হতে পারে। যদি এই ডেটাসেট সিন্থেটিক বা হাইপোথেটিক্যাল হয়, তাহলে এই একটি আইটেমের জন্য নয়, পুরো ব্যাচের জন্য অডিট লাগবে। আমার কাছে এটি মনে করিয়ে দেয় ২০২২ সালের কাতারের 'কমপ্যাক্ট মডেল'—সব স্টেডিয়াম কাছাকাছি থাকা যেমন সুবিধা, তেমনি একটি ভুল খবরও ছড়িয়ে পড়ে দ্রুত। তথ্যের কমপ্যাক্ট নেটওয়ার্কে একটি ভুল উৎস পুরো সিস্টেমকে দূষিত করতে পারে। সেজন্য সোর্স-প্রোভেন্যান্স যাচাই না করা পর্যন্ত কোনো সংখ্যাকে 'ফ্যাক্ট' বলার সাহস আমার নেই।

আমার লেখার অভ্যাসে আরেকটি বিষয় আছে। আমি প্রতিটি ভবিষ্যদ্বাণীতে শর্ত লিখি। যেমন: 'যদি স্কুল কোর্ট তৈরি হয়, তবে পরবর্তী ধাপ বদলাবে'। এখানেও শর্ত লিখছি। যদি অটোমেটেড রাউটারটি 'টেনিস' শব্দটি কোনো পুরনো মেটাডেটা থেকে নিয়ে থাকে, তাহলে সমস্যাটি ডেটা-স্ট্যান্ডার্ডাইজেশনের। আর যদি এটি কী-ওয়ার্ড-ভিত্তিক ক্লাসিফায়ারের ত্রুটি হয়, তাহলে সমাধান হলো মনিটরিং। নয়-মাত্রার ফ্রেমওয়ার্কের সব ঘরে 'N/A' লেখার মানে এই নয় যে বিশ্লেষণ অকেজো; মানে হলো, এই মুহূর্তে বিশ্লেষণের উপযুক্ত ইনপুটই নেই।

২০২০ সালে করোনার খালি ক্যালেন্ডার আমাকে শিখিয়েছিল, অনুপস্থিতির হিসাবও একটি সংবাদ হতে পারে। তখন আমি 'অ্যাবসেন্স লেজার' লিখতাম—কোন টুর্নামেন্ট বাতিল হলো, কী ক্ষতি হলো। আজকের লেবেল-ত্রুটিও এক ধরনের অনুপস্থিতি: টেনিসের অনুপস্থিতি। একটি 'জানি না' অনেক সময় কুৎসিত সত্য; কিন্তু সেটাই একমাত্র সৎ উত্তর। এরপর সাংবাদিকের কাজ হলো কুৎসিত সত্যটিকে পরিষ্কার করে বলা, যাতে ভবিষ্যতে কেউ একই গর্তে না পড়ে।

আমি এখন যে সিদ্ধান্তে পৌঁছেছি, তা তিনটি স্তরে ভাঁজ করা যায়। প্রথম স্তর: এই আইটেমটি টেনিস-সংক্রান্ত কোনো সমষ্টিতে অন্তর্ভুক্ত করা যাবে না। দ্বিতীয় স্তর: উৎসটি যাচাই না করা পর্যন্ত ফ্যাক্ট ডেটাসেটে ঢোকানো যাবে না। তৃতীয় স্তর: ডোমেইন-লেবেল যাতে আবার এমন ভুল না করে, তার জন্য অবিলম্বে একটি ডোমেইন-কনফিডেন্স গেট ও কী-ওয়ার্ড কনসিস্টেন্সি চেক বসাতে হবে। এই তিন স্তরের বাইরে গিয়ে আমি কিছু বলব না। কারণ আমার ২০১৮ সালের পূর্বাভাস আমাকে শিখিয়েছে, শর্তহীন ভবিষ্যদ্বাণী মানুষকে ভুল পথে চালায়। শর্তহীন সংবাদও মানুষকে ভুল পথে চালায়।

এখন শেষ করছি, তবে কোনো সারসংক্ষেপে নয়। আমি বলতে চাই, এই ভুল ট্যাগটি আমাদের জন্য একটি সুযোগ। প্রতিটি সংবাদপত্রের উচিত নিজের ডেটা-পাইপলাইনের 'স্ট্রেস টেস্ট' করা—যেদিন টেনিস ট্যাগে তেলের খবর আসে, সেদিন প্রতিটি ডেস্কের থেমে ভাবা উচিত: আমরা কি আসলেই জানি, আমাদের সামনে কী এসেছে? ব্লকচেইনের অপরিবর্তনীয় লেজারের মতো করে প্রতিটি লেবেলের জন্মলগ সংরক্ষণ করা হোক: কে ট্যাগ দিল, কখন দিল, কোন অ্যালগরিদমে দিল, কোন তথ্যসূত্র থেকে দিল। তবেই এই দুর্ঘটনা সত্যিকারের শিক্ষা হয়ে থাকবে। নইলে আগামীকাল অন্য ডেস্কে, অন্য ট্যাগে, আরও বড় ভুল অপেক্ষা করবে।