খালি পেলোডের নীরবতা: যখন ডেটা পাইপলাইন নিজেই গল্প হয়ে দাঁড়ায়

শূন্য স্টেডিয়ামে আমি খেলার গড়ন শুনতে পাই। এবার শুনতে পেলাম আরেক ধরনের নীরবতা — স্টেজ-১ এক্সট্রাকশনের আউটপুটে, যেখানে স্কিমা পূর্ণ ছিল কিন্তু প্রতিটি ঘর ফাঁকা।

প্রেক্ষাপটটা সহজ। একটি ক্রিকেট নিবন্ধ — ডোমেইন ট্যাগ বলছে cricket_asia — দুই-স্তরের বিশ্লেষণ পাইপলাইনে পাঠানো হয়েছিল। স্টেজ-১ নিবন্ধটিকে তথ্য-পয়েন্টে ভাঙার কথা। স্টেজ-২ সেই তথ্য-পয়েন্টগুলোর ওপর আট-মাত্রার কাঠামোগত বিশ্লেষণ চালানোর কথা: ফরম্যাট ও ম্যাচ, খেলোয়াড়ি দক্ষতা ও ডেটা, দলীয় ল্যান্ডস্কেপ, লিগ ও বাণিজ্যিক ইকোসিস্টেম, নিয়ম ও গভর্নেন্স, ঝুঁকি, জন-আলোচনা, আর শিল্প-সঞ্চারণ। কিন্তু যা ফিরে এলো, তা ছিল একটি 'নাল পেলোড' — বৈধ স্কিমা, শূন্য তথ্য-পয়েন্ট। শিরোনাম নেই, সূত্র নেই, লেখক নেই, তারিখ নেই। বিশ্লেষণের ভিত্তিই অনুপস্থিত।

এখানেই আসল পর্যবেক্ষণটা লুকিয়ে। একটি পার্স-এরর আর একটি শূন্য-ক্ষেত্রের স্কিমা-বৈধ আউটপুট এক জিনিস নয় — আর এই পার্থক্যটাই রিমিডিয়েশনের পথ নির্ধারণ করে। স্কিমা বৈধ কিন্তু সব ঘর ফাঁকা — এই প্যাটার্ন সাধারণত এক্সট্রাকশন ব্যর্থতার স্বাক্ষর: স্ক্যান করা বা ইমেজ-ভিত্তিক পিডিএফ, পেওয়াল বা কনসেন্ট-ওয়ালের পেছনে আটকে যাওয়া বডি টেক্সট, অ-ল্যাটিন স্ক্রিপ্টের এনকোডিং ব্যর্থতা, কিংবা ক্রলারের কেবল হেডলাইন ধরে রেখে বাকিটা হারিয়ে ফেলা। অর্থাৎ সমস্যাটা নিবন্ধে নয়, নিবন্ধ পড়ার যন্ত্রে।

আমি যেভাবে বায়ার্নের ৮-২-এ প্রেসিং ট্রিগার ম্যাপ করেছিলাম — ২৬ শট, ১০ অন টার্গেট, ২.৯ xG, প্রতিটি সংখ্যার পেছনে দৃশ্যমান প্রমাণ — সেই একই শৃঙ্খলা এখানে প্রয়োগ করতে হয়। আর সেই শৃঙ্খলাই বলছে: শূন্য ইনপুট থেকে যেকোনো খেলোয়াড়, দল বা লিগ-সংক্রান্ত সিদ্ধান্ত তৈরি করা মানে বানোয়াট। কাঠামোর সমৃদ্ধি এমন এক টেম্পটেশন, যেখানে ফাঁকা ঘরগুলোকে সুদৃশ্য বর্ণনা দিয়ে ভরে দেওয়া যায়। এই বিশ্লেষণ সেটা করেনি — এবং এটাই এর একমাত্র সঠিক আউটপুট: একটি নাল রেজাল্ট, সঙ্গে রিমিডিয়েশনের স্পেসিফিকেশন।

তবু একটি রেসিডুয়াল সিগন্যাল টিকে আছে। cricket_asia ট্যাগটি ইঙ্গিত দেয় নিবন্ধটি এশীয় ক্রিকেট-সংক্রান্ত — সম্ভবত একটি এসিসি আয়োজিত ইভেন্ট, এশীয় দ্বিপাক্ষিক সিরিজ, কোনো এশীয় বোর্ডের গভর্নেন্স সিদ্ধান্ত, বা দক্ষিণ এশীয় বাজারের বাণিজ্যিক গল্প। কিন্তু এটি একটি টপিক্যাল কন্টেইনার মাত্র, তথ্য নয়। এর ওপর একটি ম্যাচ, একজন খেলোয়াড়, একটি দল বা একটি আর্থিক চিত্র দাঁড় করানো যায় না। [আস্থার মাত্রা: নিম্ন]

ঝুঁকি-ম্যাট্রিক্সে একমাত্র উচ্চ-আস্থার রেটিং পেয়েছে একটি ঝুঁকি, এবং সেটি ক্রিকেটের নয় — গবেষণা-প্রক্রিয়ার। প্রধান জীবন্ত ঝুঁকি বিশ্লেষণী, খেলার সংক্রান্ত নয়: নাল পেলোড চুপচাপ প্লজিবল ক্রিকেট-ন্যারেটিভে ভরে যেতে পারে। তার পরেই আসে প্রোভেন্যান্স ঝুঁকি — সূত্র ও লেখক-পরিচিতি ছাড়া নিবন্ধের কোনো দাবিকেই নির্ভরযোগ্যতার গ্রেড দেওয়া সম্ভব নয়, এমনকি পুনঃএক্সট্রাকশনের পরেও। তৃতীয়টি হলো সাইলেন্ট পাস-থ্রু ঝুঁকি: নাল আউটপুট এরর হিসেবে নয়, বৈধ অবজেক্ট হিসেবে ফিেছিল — ফলে একে 'নিবন্ধে কিছুই ছিল না' ভুলে নেওয়ার সম্ভাবনা থেকেই যায়। চতুর্থটি প্রযুক্তিগত মূল-কারণ: এই ব্যর্থতা-প্যাটার্ন নির্দেশ করে এক্সট্রাকশন স্তরে ওসিআর, এনকোডিং নরমালাইজেশন ও ফুল-বডি ফেচের অভাব।

এখন সংশোধনের স্পেসিফিকেশন, যা এই রিপোর্টের প্রকৃত ইঞ্জিনিয়ারিং-ভ্যালু। প্রথমত, পাইপলাইনে একটি হার্ড ভ্যালিডেশন গেট দরকার: স্টেজ-২ চলার আগে স্টেজ-১ কমপক্ষে একটি তথ্য-পয়েন্ট এবং একটি নন-নাল শিরোনাম দেবেই — এর কম হলে পাইপলাইন থামবে, চুপ করে এগোবে না। দ্বিতীয়ত, পুনঃএক্সট্রাকশনের সময় পাঠ্যের সঙ্গে ধরতে হবে সোর্স ইউআরএল, প্রকাশনার নাম, বাইলাইন ও ডেটলাইন — যাতে প্রতিটি দাবিকে হাই-মিডিয়াম-লো নির্ভরযোগ্যতা ট্যাগ দেওয়া যায়। তৃতীয়ত, ওসিআর ও এনকোডিং হ্যান্ডলিং দিয়ে ফুল-বডি রিট্রিভাল, যাতে স্ক্যানড ডকুমেন্ট বা বাংলা-স্ক্রিপ্ট সোর্স আর হারিয়ে না যায়।

বিপরীত কোণ থেকে দেখলে এই ব্যর্থতার ভেতরেই একটি সুযোগ লুকিয়ে। এই ফেইলিওর নিজেই পাইপলাইনের স্টেজ-১/স্টেজ-২ সীমানায় একটি নির্দিষ্ট, সংশোধনযোগ্য ত্রুটি আইসোলেট করেছে — সমাধানটা একটি ভ্যালিডেশন গেট, কোনো গবেষণা-কাজ নয়; সময়-উইন্ডো তাৎক্ষণিক। আর শর্তসাপেক্ষে বিশ্লেষণী সুযোগটাও স্পষ্ট: যদি পুনঃএক্সট্রাকশনের পর cricket_asia ট্যাগটি প্রমাণিত হয় এসিসি-র গভর্নেন্স, সূচি বা রাজস্ব-বণ্টন সংক্রান্ত গল্প হিসেবে, তাহলে প্রাইমারি বিশ্লেষণী অক্ষ হবে গভর্নেন্স-মাত্রা — ম্যাচ-রিপোর্ট রানের চেয়ে সম্পূর্ণ ভিন্ন গড়নে। সেটি নিশ্চিত করা যাবে কেবল রি-রানের পরে।

যা ট্র্যাক করতে হবে: সফল পুনঃএক্সট্রাকশনে নন-নাল শিরোনাম ও কমপক্ষে পাঁচটি তথ্য-পয়েন্ট ফিরলে কি আট-মাত্রার ফ্রেমওয়ার্ক পুরোদমে চলবে; রিট্রাইতে Test/ODI/T20 বা লিগের কোনো এক্সপ্লিসিট টোকেন আসে কি না — যা সঠিক বেঞ্চমার্ক-সেট আনলক করবে; আর্টিকেল টাইপ 'Unclassified' থেকে ম্যাচ-রিপোর্ট বা গভর্নেন্স-স্টোরিতে সরে কি না; আর বাইলাইন-প্রকাশনা-ডেটলাইনের যেকোনো একটি ধরা পড়লে সোর্স-গ্রেডিং সম্ভব হবে।

আমি বছরের পর বছর ম্যাচ দেখে একটা জিনিস শিখেছি — ডেটা যত নীরবই হোক, তার অনুপস্থিতিও একটি বিবৃতি। ২০২০-এ ৮১টি শূন্য-স্টেডিয়াম ম্যাচ ঘেঁটে দেখেছিলাম হোম-উইন রেট ৪৩.৩% থেকে ৩৩.৩%-এ নেমেছে; দর্শকের গোলমাল সরিয়ে দিলে কাঠামোর প্যাটার্ন আরও স্পষ্ট হয়। এই নাল পেলোডও তেমনই একটি নীরব স্টেডিয়াম — উচ্ছ্বাস নেই, তাই ব্যর্থতার জ্যামিতিটা পরিষ্কার শোনা যাচ্ছে: স্কিমা ঠিক, এক্সট্রাকশন ভাঙা, গেট অনুপস্থিত।

একটি ফরমেশন অনুমান মাত্র; ম্যাচ হলো সেই অনুমান ভাঙার পরীক্ষা। এখানেও তাই — পাইপলাইনের এই অনুমান প্রথম পরীক্ষাতেই ভেঙেছে, এবং ভাঙাটা নিজেই ডায়াগনস্টিক। প্রশ্নটা এখন পরবর্তী রানের জন্য: রি-এক্সট্রাকশন কি কেবল নিবন্ধটি ফিরিয়ে আনবে, নাকি পাইপলাইনটিকেই এমনভাবে পুনর্গঠন করবে যাতে পরবর্তী শূন্য পেলোড আর নীরবে পাস করতে না পারে? উত্তরটা নিবন্ধে নয় — ভ্যালিডেশন গেটে লেখা থাকবে।

[আস্থার মাত্রা সংকেত: প্রক্রিয়া-ঝুঁকি নির্ধারণ — উচ্চ; cricket_asia থেকে টপিক্যাল অনুমান — নিম্ন। এই প্রতিবেদন জন-তথ্যের ভিত্তিতে তৈরি, কোনো বেটিং-পরামর্শ নয়। খেলার ফলাফল অত্যন্ত অনিশ্চিত।]