ভুল লেবেল: সীমান্ত-সংঘর্ষের খবর কীভাবে টেনিসের ডেটাসেটে ঢুকে পড়ল

আমি সকালের প্রথম কাজ হিসেবে ব্যাচটা খুলি। কনটেন্ট পাইপলাইনের একটা ব্যাচ — বিশটা তথ্য-বিন্দু, একটা শিরোনাম, একটা তারিখ। ডোমেইন লেবেলে লেখা: টেনিস। আমি কফির কাপ নামিয়ে রাখলাম, কারণ প্রথম লাইনেই বুঝে গিয়েছিলাম, এখানে টেনিস নেই।

শিরোনামটা ছিল সীমান্তে গুলির ঘটনা নিয়ে। বেদিয়ান সেক্টর, কাসুর। দুইজন নিহত, একজন আহত। তারিখ ২ অক্টোবর, ২০২৬। পাকিস্তানের পররাষ্ট্র মন্ত্রণালয় ভারতীয় রাষ্ট্রদূতকে তলব করেছে, মুখপাত্র সাজ্জাদ হায়দার খানের বরাত দিয়ে প্রতিবাদ জানানো হয়েছে। বিশটা তথ্য-বিন্দুর একটিতেও সার্ভ পার্সেন্টেজ নেই, রিটার্ন পয়েন্ট নেই, ব্রেক-পয়েন্ট কনভার্সন নেই, র‍্যাঙ্কিং পয়েন্ট নেই। একটা খেলোয়াড়ের নামও নেই।

কিন্তু লেবেলটা জেদ ধরে বসে আছে — টেনিস।

আমি প্রতিটা অসঙ্গতি ডায়েরিতে টুকে রাখি, ২০১৭ সাল থেকে। এটাও টুকে রাখলাম। কাঁধের চোট আমাকে শিখিয়েছিল, ব্যথা আসলে অবিন্যস্ত ডেটা, যার জন্য একটা স্কিমা দরকার। ভুল লেবেলও তাই — একটা অবিন্যস্ত ব্যথা, যা সঠিক নাম না পেলে পুরো সিস্টেমে ছড়িয়ে পড়ে।

কনটেন্ট পাইপলাইন দুটো ধাপে চলে। প্রথম ধাপে নিবন্ধটা ভেঙে ফেলা হয় — শিরোনাম, মূল দৃষ্টিভঙ্গি, তথ্য-বিন্দু, সূত্র। তারপর একটা ডোমেইন লেবেল বসানো হয়: টেনিস, ক্রিকেট, ফুটবল, নাকি অন্য কিছু। দ্বিতীয় ধাপে সেই লেবেল ধরে গভীর বিশ্লেষণ শুরু হয়। লেবেলটা একটা অনুমানের মতো — এটা বলে দেয়, সামনে কী ধরনের প্রশ্ন করা হবে।

আমি আমার প্রথম ডেটাবেস বানিয়েছিলাম, কারণ শুধু স্মৃতি একটা পুরো মৌসুমের ভার বইতে পারে না। ২০১৭ সালে রামনা কমপ্লেক্সে জাতীয় টেনিস চ্যাম্পিয়নশিপের ৩২টা ম্যাচ হাতে হাতে লগ করেছিলাম — সার্ভ পার্সেন্টেজ, আনফোর্সড এরর, ব্রেক-পয়েন্ট কনভার্সন। তখন শিখেছিলাম, স্কিমা ঠিক না হলে ডেটা নীরব হয়ে যায়। একটা ভুল কলাম-হেডিং পুরো শিটকে অর্থহীন করে দিতে পারে।

বাংলাদেশের টেনিস একটা দীর্ঘদিনের কম-নমুনা ডেটাসেট। ১৯৭২ সালের জাতীয় চ্যাম্পিয়নশিপ আর ১৯৮৯ সালের ডেভিস কাপ এশিয়া/ওশেনিয়া সেমিফাইনাল — এই দুই পয়েন্টের পর তিন দশক কার্যত অনুপস্থিত পর্যবেক্ষণ। এখানে নাম-করা খেলোয়াড়ের তালিকা মোটে ছয়জনের কাছাকাছি। জারিফ আবরারের ২০২৫ সালের জে৩০ শিরোপা আর জোনাথন মৃধার প্রায় ৫০৮ ক্যারিয়ার-হাই — এগুলো ট্রফি নয়, ট্রেন্ড লাইন। যে খেলায় তথ্যই এত কম, সেখানে প্রতিটা ভুল লেবেল দ্বিগুণ ক্ষতিকর, কারণ শব্দ সিগন্যালকে চাপা দেয়।

বিশটা তথ্য-বিন্দু আমি এক এক করে পড়লাম, একটা প্রশ্ন মাথায় রেখে। প্রথমে শূন্য-অনুমানটা সোজা ভাষায় লিখে ফেললাম: হয়তো এটা সত্যিই টেনিস, আর আমি ভুল পড়ছি।

তারপর পরীক্ষা। এখানে ATP, WTA, ITF — কোনোটার নাম নেই। কোন সারফেস নেই, কোন টুর্নামেন্ট নেই, কোন ড্র নেই, কোন র‍্যাঙ্কিং নেই। বিশটা বিন্দুতে নাম আছে মাত্র তিনজনের — সাজ্জাদ হায়দার খান (মুখপাত্র), আজমত রসুল ও মহসিন জুট (নিহত ও আহত বেসামরিক ব্যক্তি)। এঁদের কেউ খেলোয়াড় নন। শূন্য-অনুমান টিকল না। টেনিস কাঠামোটা এখানে ভেসে আছে, ভিত নেই।

এখন প্রশ্নটা বদলাতে হয় — লেবেলটা বসল কীভাবে? এখানেই আমার আসল আগ্রহ। কনটেন্ট শ্রেণীবিভাগকারী মডেল টোকেন ধরে কাজ করে। নিবন্ধে একটা শব্দ বারবার ফিরে আসছে — court। আন্তর্জাতিক আইন, আদালত, বিচার — এসব প্রসঙ্গে court শব্দটা আসে। আর court মানে টেনিস কোর্টও। একটা হোমোনিম, একটা অভিন্ন টোকেন, আর লেবেল উল্টো দিকে ঘুরে গেল। BSF, বেদিয়ান, কাসুর — ভৌগোলিক টোকেনগুলোও হয়তো কোথাও 'এশিয়া' ধরনের ট্যাগের সঙ্গে মিলে গেছে। মডেল ভুল করেনি; মডেল শুধু শব্দ মিলিয়েছে। ভুলটা আমাদের — যে সিস্টেম court-এর দুই অর্থ আলাদা করতে পারে না, তার উপর আমরা ডাউনস্ট্রিম সিদ্ধান্ত ছেড়ে দিয়েছি।

লেবেল কেন এত ভারী? কারণ লেবেল একটা ফিল্টারের মতো কাজ করে। 'টেনিস' লেবেল পেলে ভাবী বিশ্লেষণ সার্ভ, রিটার্ন, র‍্যাঙ্কিং খুঁজতে বসে। একটা সীমান্ত-সংঘর্ষের প্রতিবেদনে সে জিনিসগুলো নেই, তাই বিশ্লেষণ হয় শূন্য, নয়তো বানানো। দ্বিতীয়টা বিপদ। যদি বিশ্লেষক শূন্যতা মানতে না পারে, সে টেনিস শব্দচয়ন জুড়ে দিতে শুরু করে — 'এটা এক ধরনের ব্যাকহ্যান্ড ডিফেন্স', 'এটা র‍্যাঙ্কিং পয়েন্টের লড়াই'। এটা আর বিশ্লেষণ নয়, এটা গালগল্প। ভূরাজনীতির প্রতিবেদনে টেনিসের মেট্রিক ঢোকানো মানে ভুল ডেটা দিয়ে ভুল সিদ্ধান্ত।

আমি সেন্টিমেন্ট মডেলের কথাও ভাবি। ধরা যাক, একটা সিস্টেম প্রতিদিন 'টেনিস' লেবেলের নিবন্ধ জমা করে একটা মুড-ইনডেক্স বানায়। আজকের এই একটা নিবন্ধ সেখানে ঢুকলে কী হবে? টেনিস-ভক্তির সেন্টিমেন্ট স্কোর হঠাৎ নেমে যাবে — কারণ একটা সীমান্ত-গুলির খবর তো আর টেনিসের আনন্দ নয়। একটাই ভুল, কিন্তু সেটা ছড়ায়। টপিক-মডেল থেকে বিজ্ঞাপন-বরাদ্দ পর্যন্ত সব জায়গায় এই দাগ বসে যায়।

বাংলাদেশের টেনিসে এর ধাক্কা আলাদা। যে ডেটাসেট ইতিমধ্যেই ছোট, সেখানে একটা বাইরের ভুল-লেবেল অনেক বড় জায়গা দখল করে। ছয়জনের তালিকা, দু-তিনটা সত্যিকারের মাইক্রো-ব্রেকথ্রু — এতটুকুই আমাদের পুঁজি। এখন সেই পুঁজির ফাঁকে যদি একটা সীমান্ত-খবর ঢুকে 'টেনিস' হয়ে বসে থাকে, তবে অনুপাতটা ভেঙে যায়। সিগন্যাল কম, শব্দ বেশি। ২০১৮ সালে রাশিয়া বিশ্বকাপে ৬৪টা ম্যাচের xG আর PPDA ট্র্যাক করার সময় শিখেছিলাম — স্কোরবোর্ড সবসময় সত্য বলে না; কিন্তু লেবেল মিথ্যা বললে স্কোরবোর্ডও অর্থহীন। ওই পরীক্ষাটা শুরু হয়েছিল একটা প্রশ্ন দিয়ে — স্কোরবোর্ড আসলে কী লুকিয়ে রেখেছিল? আজ প্রশ্নটা আগের ধাপে ফিরে গেল — স্কোরবোর্ডটা কী, সেটাই কে ঠিক করে?

আমার কাছে ডেটার সৌন্দর্য এইখানে — প্রতিটা দাবির পিছনে একটা সংখ্যা থাকা উচিত, আর প্রতিটা সংখ্যার পিছনে একটা প্রমাণ। ২০১৭ সালের জাতীয় চ্যাম্পিয়নশিপে দেখেছিলাম, চ্যাম্পিয়ন বেসলাইন র‍্যালির মাত্র ৫৪% জিতেছেন, কিন্তু নেট অ্যাপ্রোচের ৭৮%। সংখ্যাটা গল্প বলেছিল, কারণ আমি জানতাম কে লগ করেছে — আমি। এখন এই ভুল লেবেলটার পিছনে কে? কেউ নেই। কোনো প্রমাণ নেই। শুধু একটা মেশিনের শব্দ-মিল।

প্রতিটা লেবেলের একটা অডিট-ট্রেইল থাকা দরকার — কে বসাল, কখন, কী প্রমাণে। ব্লকচেইনের মূল শিক্ষা ভিন্ন কিছু নয়: রেকর্ড বদলানো কঠিন হলে সত্য টিকে থাকে। খেলার ডেটাতেও একই নিয়ম — লেবেল একটা অপরিবর্তনীয় এন্ট্রি হওয়া উচিত, যার পিছনে একটা সূত্র থাকে। আজ এই এন্ট্রির পিছনে সূত্র শূন্য।

ডেটা-অখণ্ডতা মানে এই নয় যে সিস্টেম ভুল করবে না। মানে — ভুলটা ধরা পড়বে, আর সেটা স্বীকার করা হবে। আজ আমার কাজ সীমান্ত-সংঘর্ষের বিশ্লেষণ করা নয়; আমার কাজ এটা বলা — এই নিবন্ধটা টেনিস নয়, আর কাউকে জোর করে টেনিস বানানো উচিত নয়।

সবচেয়ে সহজ পাঠটা এরকম: একটা ভুল লেবেল, একটা ছোট বাগ, ঠিক করে দিলেই শেষ। এই পাঠটা টিকেও আছে — তথ্য-প্রযুক্তির দুনিয়ায় লেবেল-ত্রুটি সাধারণ ঘটনা, আর একটার ভিত্তিতে পুরো সিস্টেমকে দোষ দেওয়া বোকামি।

কিন্তু সহজ পাঠটা এখানে অসম্পূর্ণ। আসল খরচটা এক নিবন্ধে নয়; খরচটা হলো, আমরা আর বলতে পারি না কোনটা সিগন্যাল আর কোনটা শব্দ। সীমান্ত-গুলির ঘটনার সঙ্গে টেনিসের কোনো সম্পর্ক নেই — এটা বলতে কারো দ্বিধা হওয়ার কথা নয়। আর টেনিসের সার্ভ পার্সেন্টেজ বা PPDA দিয়ে একটা ভূরাজনৈতিক ঘটনা বোঝানোর চেষ্টা মানে correlation-কে causation বানানো। দুটো ভিন্ন ডেটাসেট, দুটো ভিন্ন প্রশ্ন; একটার মেট্রিক অন্যটায় জুড়ে দিলে বিশ্লেষণ নয়, ভুল তৈরি হয়।

আর এখানে একটা ফাঁদ আছে, যেটা আমার নিজেরই চেনা। 'কাউন্টার-ইনটুইটিভ' আমার ব্র্যান্ড, তাই মাথা আগেই উল্টো পাঠ খোঁজে — 'এটা প্রমাণ করে পুরো পাইপলাইন ভাঙা।' কিন্তু n=১। একটা ভুল-লেবেল দিয়ে সিস্টেমের মৃত্যু ঘোষণা করা যায় না। আগে শূন্য-অনুমান লিখতে হয়, তারপর প্রমাণ জোর করলে তবেই উল্টো সিদ্ধান্ত। আজকের প্রমাণ শুধু এটুকুই বলে: একটা ভুল হয়েছে, আর সেটা ধরা পড়েছে। এটাই যথেষ্ট — আপাতত।

পরের ধাপের জন্য একটা সংকেত রেখে যাই। প্রথম আর দ্বিতীয় ধাপের মাঝখানে একটা ডোমেইন-যাচাই গেট দরকার — লেবেল বসানোর পর, বিশ্লেষণ শুরুর আগে, একটা সস্তা পরীক্ষা: নিবন্ধে অন্তত একটা খেলোয়াড়, একটা টুর্নামেন্ট বা একটা ম্যাচ-ডেটা আছে কি না। না থাকলে লেবেলটা আটকে যাবে। খেয়াল রাখার বিষয় — এই শ্রেণীবিভাগকারী কি বারবার একই ভুল করে? ট্রিগার: খেলার বাইরের লেখায় বারবার 'টেনিস' লেবেল বসা।

স্কোরবোর্ড অনেক কিছু লুকিয়ে রাখে, সেটা আমি জানি। কিন্তু তার আগে একটা প্রশ্ন বাকি — স্কোরবোর্ডটা কী, সেটা যে লেবেল বলে দেয়, সেই লেবেলের হিসাব কে রাখে?