একটি ট্যাগ, শূন্য প্রমাণ: ইস্পোর্টস ডেটার প্রমাণ-শৃঙ্খলে ব্লকচেইনের আসল ভূমিকা

মেলবোর্নের ফ্ল্যাটে রাত দুটোয় স্ক্রিনে খোলা ফাইলটার নাম ছিল স্টেজ-১ ডিকনস্ট্রাকশন। বারোটা ফিল্ডের মধ্যে ভরা ছিল ঠিক একটা — ডোমেইন লেবেল: esports। বাকি সব ঘরে N/A, খালি স্ট্রিং, কিংবা unclassified। শিরোনাম নেই, সূত্র নেই, লেখকের নাম নেই, প্রকাশের তারিখ নেই, ধরন অনির্ধারিত, এক বাক্যের সারসংক্ষেপ ফাঁকা, কোনো তথ্যবিন্দু নেই, কোনো সত্তা শনাক্ত হয়নি, সময়-সংবেদনশীলতা যাচাই হয়নি, সূত্রের গুণমান বিচার করা যায়নি। যারা প্রতিদিন স্কোরবোর্ড দেখে লেখেন, তাদের কাছে এটা ব্যর্থতার রিপোর্ট। যারা ডেটা পাইপলাইন অডিট করেন, তাদের কাছে এটা একটা সতর্কসংকেত — আর সংকেতটা ঠিকই কাজ করছে।

খালি ঘরগুলো আসলে কী বলছে, সেটাই আসল প্রশ্ন।

স্টেজ-১ ডিকনস্ট্রাকশন হলো ইনটেক লেয়ার। একটা প্রকাশিত লেখা থেকে এটা তুলে আনে শিরোনাম, সূত্র, লেখক, তারিখ, ধরন, সারসংক্ষেপ, লেখকের অবস্থান, লেখার উদ্দেশ্য, তথ্যবিন্দু, সত্তা, আর সময়-সংবেদনশীলতার মাত্রা। এই লেয়ার ঠিক থাকলে পরের স্তরগুলো — ফ্রেমিং বিশ্লেষণ, পক্ষপাত শনাক্তকরণ, প্রমাণের ভার নির্ধারণ, প্রভাবের অনুমান — দাঁড়ানোর মাটি পায়। এই লেয়ার খালি থাকলে উপরে যা-ই বানানো হোক, সেটা বিশ্লেষণ নয়, অনুমান।

ইস্পোর্টসে সমস্যাটা ফুটবলের চেয়ে এক ধাপ জটিল, কারণ এখানে সংজ্ঞার স্তরটা ক্রমাগত নড়ে। প্যাচ আপডেট বদলে দেয় একটা কিল বা অবজেকটিভ কন্ট্রোল বলতে কী বোঝায়। রোল ডেফিনিশন বদলায়, টুর্নামেন্ট ফরম্যাট বদলায়। একই নামের মেট্রিক — কোনো প্লেয়ার রেটিং, কোনো উইন-প্রোবাবিলিটি — ভিন্ন টাইটেল আর ভিন্ন প্রোভাইডারে ভিন্ন জিনিস মাপে। ফুটবলে আমি এটা শিখেছি xG দিয়ে: Opta-র xG আর Understat-এর xG এক সংখ্যা নয়, কারণ শটের ভূগোল আর ডিফেন্ডারের অবস্থান আলাদা করে কোড করা। এই জায়গায় আমার নোটবুকের নিয়মটা সোজা: "The notebook never lies, but it only answers the questions you ask."

ব্লকচেইনের ভূমিকা এখানেই স্পষ্ট হওয়া দরকার। ইস্পোর্টস ডেটার ক্ষেত্রে চেইনের আসল কাজ ফ্যান টোকেন বা কালেক্টিবল নয়। আসল কাজ একটা ভেরিফায়েবল অ্যাটেস্টেশন লেয়ার দাঁড় করানো — কনটেন্ট-অ্যাড্রেসড হ্যাশিং, অ্যাপেন্ড-অনলি লগ, মার্কেল রুট, আর বিশ্বাসযোগ্য টাইমস্ট্যাম্প। এই লেয়ার তিনটে প্রশ্নের উত্তর দেয়: কে প্রকাশ করল, কখন প্রকাশ করল, আর প্রকাশের পর লেখাটা বদলেছে কি না। এটা উত্তর দেয় না সবচেয়ে গুরুত্বপূর্ণ প্রশ্নটার — কথাটা সত্যি কি না।

২০১৮ সালে রাশিয়া বিশ্বকাপে রিমোট ডেটা ইন্টার্ন হিসেবে কাজ করার সময় আমি শিখেছিলাম, অডিট লগ কীভাবে বাঁচায়। ফ্রান্স-আর্জেন্টিনার ৪-৩ ম্যাচে আমি কাইলিয়ান এমবাপ্পের ৩০ কিমি/ঘণ্টার ওপরে সাতটা স্প্রিন্ট কোড করেছিলাম, সঙ্গে ফ্রান্সের PPDA ৮.৯। টাইম-জোন কিউ, সোর্স হায়ারার্কি, ভ্যালিডেশন লগ — এই তিনটা ছাড়া রিমোট টিমের কোনো সংখ্যা ব্রডকাস্টে যেত না। কোথাও একটা ভুল স্প্রিন্ট কাউন্ট ঢুকে গেলে সেটা ধরা পড়ত শুধু লগ মেলানোর সময়।

২০২২ সালে কাতার বিশ্বকাপে প্রথম প্রেস বক্সে বসে মরক্কো-স্পেনের ০-০ ম্যাচটা কভার করি। স্পেনের দখল ৭৭ শতাংশ, xG ১.০১; মরক্কোর PPDA ১১.২। মিক্সড জোনে এক সাংবাদিক জিজ্ঞেস করেছিলেন, আমি নাকি ফ্যাশনের জন্য এসেছি। উত্তর দিয়েছিলাম মরক্কোর লো-ব্লকের সংখ্যা দিয়ে। ওই দিনটা আমাকে শিখিয়েছে, সংখ্যা তখনই কাজে লাগে যখন তার উৎস আর তারিখ সঙ্গে থাকে। উৎস ছাড়া সংখ্যা স্লোগান।

এখন আসল কাজে আসি: একটা স্টেজ-১ রিপোর্টে কোন ফিল্ড খালি থাকলে সেটা পাইপলাইনের কোন ধাপে ব্যর্থতা, তার ম্যাপিং।

শিরোনাম খালি মানে ইনজেশন ফেইল — হয় সোর্সে শিরোনাম ছিল না, নয় পার্সার সেটা ধরতে পারেনি। সূত্র আর URL খালি মানে প্রোভেন্যান্স রেকর্ড নেই; এই অবস্থায় লেখাটা উদ্ধৃত করার যোগ্য নয়। লেখক আর প্রকাশের তারিখ খালি মানে দায় আর সময়, দুটোই হারানো। নিবন্ধের ধরন unclassified মানে আমরা জানি না এটা খবর, বিশ্লেষণ, মতামত, লিক নাকি রিক্যাপ — আর প্রতিটার জন্য আলাদা বিশ্বাস-মাত্রা দরকার। সারসংক্ষেপ ফাঁকা মানে কেন্দ্রীয় দাবিটাই অজানা; দাবি ছাড়া বিশ্লেষণ অসম্ভব। লেখকের অবস্থান আর উদ্দেশ্য না থাকলে পক্ষপাতের দিক অনুমান করা যায় না। তথ্যবিন্দু ফাঁকা মানে কোনো তথ্য, দাবি, সংখ্যা, উদ্ধৃতি, কালক্রম বা প্রমাণ নেই; সোর্স-ফিল্ড না থাকায় সোর্সের গুণমানও অজানা। সত্তা শনাক্ত না হলে দল, খেলোয়াড়, টুর্নামেন্ট, অর্গানাইজেশন, প্ল্যাটফর্ম — কেউই নেটওয়ার্কে বসে না, আর এনটিটি-নেটওয়ার্ক ম্যাপিং অসম্ভব হয়ে পড়ে।

এখানেই সবচেয়ে জরুরি সিদ্ধান্তটা: একটা খালি স্টেজ-১ কখনোই গভীর বিশ্লেষণ নয়, এটা একটা অসম্পূর্ণ ইনটেক। আর অসম্পূর্ণ ইনটেক নিয়ে গভীর বিশ্লেষণের নামে যা লেখা হয়, সেটা অনুমান।

তাহলে একটা কাজ করা প্রমাণ-শৃঙ্খল দেখতে কেমন? আমি এটাকে ছয় ধাপে ভাগ করি।

হ্যাশ আর টাইমস্ট্যাম্প। প্রতিটা ইনপুট ফাইলের SHA-256 হ্যাশ নিয়ে অ্যাপেন্ড-অনলি লেজারে লেখা হয়। এতে প্রমাণ থাকে, কোন মুহূর্তে কোন বাইটগুলো সিস্টেমে ঢুকেছিল। সোর্স ক্যাপচার। URL, প্ল্যাটফর্ম, পাবলিশারের নাম, ফেচ-টাইম — সব আলাদা ফিল্ডে; শুধু সূত্র: ইন্টারনেট লিখে কাজ চলে না। ভার্সনড ট্যাক্সোনমি। PPDA, xG, প্লেয়ার রেটিং, উইন-প্রোবাবিলিটি — প্রতিটার সংজ্ঞা, প্রোভাইডার আর ভার্সন নাম্বার লগ করা; ফুটবলে এটা করি, ইস্পোর্টসে প্যাচ নাম্বারও যোগ করতে হয়। এনটিটি রেজিস্ট্রি। দল আর খেলোয়াড়ের নামের সমস্ত বানান-ভ্যারিয়েন্ট একটা কেন্দ্রীয় তালিকায় ম্যাপ করা, যাতে একই দল তিন নামে তিন সত্তা না হয়ে যায়। টাইম-সেনসিটিভিটি ফ্ল্যাগ। টুর্নামেন্টের সময়সূচি, রোস্টার মুভ, মেটা শিফট, প্যাচ সংস্করণ — কোন তথ্য কতদিন বৈধ, সেটা লেখা থাকে। অডিট লগ। কে কখন কোন ফিল্ড বদলেছে, তার অপরিবর্তনীয় রেকর্ড।

এই ছয় ধাপের কোনোটাতেই ব্লকচেইন ডেটা সত্যি প্রমাণ করে না; প্রমাণ করে ডেটাটা অপরিবর্তিত আর উৎসসহ। পার্থক্যটা ছোট নয়।

রোস্টার মার্কেটে এই পার্থক্যটার দাম আছে। "A transfer fee is a hypothesis; the first thousand minutes are the peer review." ইস্পোর্টসে ট্রান্সফার ফি বা বাই-আউট ক্লজ নিয়ে যে মডেলগুলো চলে, সেগুলো তরুণ সম্ভাবনাকে অতিরিক্ত দাম দেয় আর ড্রেসিং-রুমের রসায়নকে অবমূল্যায়ন করে — কারণ রসায়ন মাপা যায় না, রেটিং মাপা যায়। যে পাইপলাইন শুধু রেটিং লগ করে আর রসায়নের ঘরটা ফাঁকা রাখে, সেটা সৎ থাকলে ভালো; ভরে দিলে বিপদ।

আরও অস্বস্তিকর সিদ্ধান্তটা হলো: একটা খালি ফিল্ড নিজেই ডেটা — অনুপস্থিতির প্রমাণ। যে পাইপলাইন খালি ঘর ফাঁকা রাখে, সেটা সৎ। যে পাইপলাইন খালি ঘর সম্ভাব্য ডিফল্ট দিয়ে ভরে দেয় — মাঝারি মান, প্রচলিত ধারণা, আগের ম্যাচের গড় — সেটা সৎ নয়। ফুটবল ডেটায় এটার নাম ইম্পিউটেশন বায়াস। একটা টাইমস্ট্যাম্পড নাল ভ্যালু পরের অডিটে প্রমাণ হিসেবে দাঁড়ায়; একটা বানানো ভ্যালু চিরকালের জঞ্জাল।

ফুটবল সংস্কৃতি হলো চাপ দৃশ্যমান হয়ে ওঠা, আর চাপ সবসময় একটা ডেটা-ছায়া রেখে যায়। ইস্পোর্টসে সেই চাপ আরও দ্রুত, কারণ খবরের চক্র কয়েক ঘণ্টার। টুর্নামেন্ট চলাকালীন প্রতিটা প্ল্যাটফর্ম আগে প্রকাশ করতে চায়, আর আগে প্রকাশের দৌড়ে প্রোভেন্যান্স প্রথমে বাদ পড়ে। এখানেই খালি শেলগুলোর জন্ম। কেউ বানিয়ে লেখেনি; কেউ কেবল উৎস লগ করেনি।

এখন প্রতিপক্ষের যুক্তিটা স্টিলম্যান করা দরকার।

একটা সম্ভাবনা হলো, স্টেজ-১ আউটপুটটা আসলে ঠিকই আছে — সোর্স লেখাটা সত্যিই খালি ছিল, একটা প্রেস রিলিজ, একটা প্রোমো, একটা প্লেসহোল্ডার। তাহলে খালি শেলটা পাইপলাইনের ব্যর্থতা নয়, একটা খালি লেখার সঠিক পাঠ। অডিট ঠিকঠাক কাজ করলে অনেক সময় সেটা ব্যর্থতার মতো দেখায়।

আরেকটা সম্ভাবনা: সমস্যাটা মডেলে, সোর্সে নয়। ইস্পোর্টসের জন্য এক্সট্র্যাক্টর পর্যাপ্ত ট্রেইনড নয়, তাই খালি ভাবটা মডেল বায়াস, সোর্সের দারিদ্র্য নয়। এটাও সত্যি হতে পারে।

দুটো একসঙ্গে সত্যি হতে পারে, আর সেটাই দেখায় পেজের সবচেয়ে দামি খালি ঘরটা কোনটা — সূত্র। সূত্র ছাড়া খারাপ সোর্স আর খারাপ টুলের মধ্যে রায় দেওয়াই যায় না। এটাই আসল ক্ষতি।

ব্লকচেইনের সীমাটাও এখানে স্পষ্ট। ইমিউটেবিলিটি ভুলকেও স্থায়ী করে। ওরাকল প্রবলেমটা এখানেও খাটে — চেইন শুধু তাই লগ করে যা তাকে খাওয়ানো হয়। খারাপ ডেটার হ্যাশ নিলে সেটা চিরকালের জন্য, প্রমাণসহ, খারাপ থেকে যায়। ইস্পোর্টসের হাই-ফ্রিকোয়েন্সি ম্যাচ ডেটা — প্রতি-টিক টেলিমেট্রি — চেইনে বসানো খরচ আর লেটেন্সির কারণে বাস্তবে অসম্ভব; তাই ব্যাচ করে হ্যাশ করা হয়, আর ব্যাচিং নিজের একটা বিশ্বাস-অনুমান তৈরি করে। ২০১৮ সালের পাঠটা মনে রাখা ভালো: বোতলনেক ছিল সংজ্ঞা, স্টোরেজ নয়। স্টোরেজ সস্তা হয়ে গেছে; সংজ্ঞা এখনও কঠিন।

শেষে যা বলার, সেটা সামনের দিকের।

পরের রাউন্ডে আমি তিনটে জিনিস চাইব প্রতিটা ইস্পোর্টস ডেটা দাবির সঙ্গে: উৎসের নাম আর ফেচ-টাইমস্ট্যাম্প, মেট্রিকের ভার্সন আর প্রোভাইডার, আর খালি ফিল্ডগুলোর সৎ তালিকা। যে রিপোর্ট তিনটে দিতে পারে, সেটা যত ছোটই হোক, বিশ্লেষণের যোগ্য। যে রিপোর্ট পারে না, সেটা গভীর বিশ্লেষণে ঢোকার আগেই থেমে যাওয়া উচিত।