ভুল লেবেল, শক্ত লেজার: একটি অপরাধ-সংবাদের 'ফুটবল' ট্যাগ যেভাবে কনটেন্ট পাইপলাইনের দুর্বলতম জোড় খুলে দিল

হুক

কিউলিয়াকান, সিনালোয়া থেকে আসা একটি সংবাদ আইটেম হাতে পড়ল। বিষয়বস্তুতে একটি ফৌজদারি মামলা — একজন অভিযুক্ত, একজন ভুক্তভোগী, একটি আদালতের সিদ্ধান্ত, প্রিভেন্টিভ ডিটেনশনের আদেশ। একটি ফুটবল ক্লাবের নাম নেই। একজন খেলোয়াড় নেই। একটি ম্যাচ নেই, একটি xG নেই, একটি PPDA নেই, একটি পাস-নেটওয়ার্ক নেই। অথচ আইটেমটি ingest হওয়ার পর তার গায়ে বসানো ডোমেইন লেবেল: football।

আমার ডেস্কে এই একটি ভুল লেবেল যেকোনো ম্যাচ রিপোর্টের চেয়ে বেশি মূল্যবান। কারণ ম্যাচে ভুল হলে হাইলাইট রিল দেখে সংশোধন করা যায়; সিস্টেমে ভুল হলে ভুলটা নিজের পায়ে হেঁটে ফিডে ঢুকে পড়ে, আর পাঠক সেটাকে সত্য ভেবে নেয়। আমি বছরের পর বছর রংপুরে বসে স্প্রেডশিট নিয়ে কাজ করেছি; শিখেছি, ভুল ডেটা সবচেয়ে বিপজ্জনক তখনই, যখন তা পরিষ্কার, নিশ্চিত ও প্রমাণিত দেখতে হয়। একটি ভুল ট্যাগ ঠিক তেমন। আমি দেখলাম, রংপুরের স্প্রেডশিট মিথ্যা বলেনি; মিথ্যা বলেছিল পাইপলাইনের ট্যাগ।

পদ্ধতি-বক্স ও প্রেক্ষাপট

ডেটা সোর্স: Stage-1 deconstruction, ২০টি information point। স্যাম্পল সাইজ: ১টি আইটেম। মডেল ভার্সন: Stage-2 নয়-মাত্রার ফ্রেমওয়ার্ক। টাইমস্ট্যাম্প: আইটেমে উল্লেখিত ঘটনার তারিখ ২০ জানুয়ারি, ২০২৬; প্রকাশের তারিখ '২৪ জানুয়ারি', বছরের উল্লেখ ছাড়া। কনফিডেন্স: লেবেল-মিসম্যাচে High; তারিখ-অসঙ্গতিতে Medium।

প্রেক্ষাপটটা বোঝা দরকার। আধুনিক কনটেন্ট পাইপলাইন তিন ধাপে চলে। প্রথমে ingestion — স্ক্র্যাপার, ফিড, পার্টনার API থেকে কাঁচা আইটেম আসে। দ্বিতীয়ে classification — একটি ক্লাসিফায়ার (কখনো ML মডেল, কখনো শুধু কীওয়ার্ড-রুল) আইটেমটিকে একটি ডোমেইনে বসায়: football, cricket, blockchain, crime, রাজনীতি। তৃতীয়ে routing — সেই লেবেল অনুযায়ী আইটেমটি সংশ্লিষ্ট ফিড, নিউজলেটার বা ব্র্যান্ডে চলে যায়।

আমি ২০০৯ সালে সিভিল-ইঞ্জিনিয়ারিং ছেড়ে স্পোর্টস জার্নালিজমে ঢুকেছিলাম, তারপর ঢাকার ডেইলি স্টারে কাজ করেছি, তারপর ডেটা ডেস্কে। এই পুরো সময়ে একটা জিনিস দেখেছি: পাইপলাইনের সবচেয়ে দুর্বল জোড় কখনো ডেটাবেস নয়, কখনো অ্যালগরিদমও নয় — সবচেয়ে দুর্বল জোড় হলো লেবেলিং ধাপ, যেখানে একটিমাত্র কীওয়ার্ড একটি সম্পূর্ণ ভিন্ন ডোমেইনের আইটেমকে দখল করে নেয়।

এই আইটেমটাই তার প্রমাণ। নথিতে ২০টি তথ্যবিন্দু আছে — সবই ফৌজদারি প্রক্রিয়ার: অভিযোগ গঠন (vinculación a proceso), প্রিভেন্টিভ ডিটেনশন, তদন্ত-সমাপ্তির দুই মাসের সময়সীমা। একটিও ফুটবল তথ্য নেই। কোনো ক্লাব নেই, লিগ নেই, প্রতিযোগিতা নেই, স্থানান্তর নেই, কৌশল নেই, অর্থনীতি নেই, শাসনব্যবস্থা নেই। তার মানে দাঁড়ায়: ক্লাসিফায়ার আইটেমটিকে যেভাবে 'ফুটবল' বলেছে, তার পেছনে বিষয়বস্তু নয়, কিছু পৃষ্ঠগত সংকেত কাজ করেছে — সম্ভবত ভুল শব্দমিল, সম্ভবত ভুল নিয়মের অগ্রাধিকার, সম্ভবত ভিন্ন ভাষার টোকেনাইজেশন ব্যর্থতা।

এই জায়গায় ব্লকচেইন প্রসঙ্গ প্রাসঙ্গিক হয়ে ওঠে, তবে ঠিক যে কারণে সাধারণত বলা হয়, সেভাবে নয়। কনটেন্ট প্রোভেন্যান্সের জন্য আজ C2PA-ধাঁচের credentials, hash-anchoring আর ডিস্ট্রিবিউটেড লেজার ব্যবহার করা হয় — কোন কনটেন্ট কোথা থেকে এলো, কে তা তৈরি করল, কে তা সম্পাদনা করল, তা অপরিবর্তনীয়ভাবে রেকর্ড করার জন্য। ধারণাটা সুন্দর। কিন্তু এখানেই প্রথম ফাঁদ। একটি লেজার কেবল রেকর্ড সংরক্ষণ করে, সত্য সংরক্ষণ করে না। যদি ingestion-এর মুহূর্তে একটি ভুল লেবেল লেখা হয়, এবং সেই লেবেল অন-চেইন hash-anchor করা হয়, তাহলে তুমি যা পাবে তা হলো একটি অপরিবর্তনীয়ভাবে ভুল লেবেল। অপরিবর্তনীয়তা এখানে সমাধান নয়, অভিশাপ।

মূল বিশ্লেষণ

চলো এই ব্যর্থতাকে সংখ্যায় দেখি। যদি একটি ব্যাচে ১০,০০০ আইটেম ingest হয় এবং ডোমেইন-মিসম্যাচ রেট ০.৩% হয়, তার মানে প্রতিদিন ৩০টি ভুল আইটেম সিস্টেমে ঢুকছে। মাসে ৯০০। বছরে ১০,৮০০। এই সংখ্যাগুলো নিরীহ দেখায়, যতক্ষণ না তুমি বুঝতে পারো প্রতিটি ভুল লেবেল একটি মিস-রাউটিং, একটি মিস-কনটেক্সটুয়াল পাবলিশিং, একটি সম্ভাব্য রেপুটেশনাল ক্ষতি। আমার রুল-বেসড অভ্যাস অনুযায়ী: মিসম্যাচ রেট ০.৫%-এর নিচে থাকলে পাইপলাইন স্থিতিশীল, ০.৫%-২% হলে সতর্কতা, ২%-এর উপরে হলে ক্লাসিফায়ার ভাঙা। এখানে একক আইটেম, তাই স্যাম্পল অপর্যাপ্ত — আমি প্রোভিশনাল রায় দিচ্ছি এবং একটি পর্যালোচনা-ম্যাচ নির্ধারণ করছি।

এবার আসল বিষয়: এই মিসলেবেল কি দুর্ঘটনা, নাকি ব্যবস্থার স্বাভাবিক ফল? তিনটি স্তরে ভাঙি।

প্রথম স্তর — লিঙ্গুইস্টিক ফাঁদ। Culiacán, Sinaloa — এই দুটি শব্দই আমার কাছে ফুটবল-সংকেত নয়, ব্লকচেইন-সংকেতও নয়। কিন্তু একটি বিশ্ব-ক্লাসিফায়ারের কাছে 'Culiacán' শব্দটি একাধিক ডোমেইনে ঘোরাফেরা করে — অপরাধ, মাদক, ভূগোল, এবং হ্যাঁ, খেলা, কারণ Dorados de Sinaloa ক্লাবটি সেখানকার। এখানেই আমার দ্বিতীয় সতর্কতা। ভৌগোলিক মিল কখনো বিষয়বস্তুর প্রমাণ নয়। একটি শহরের নাম থেকে ক্লাব অনুমান করা ঠিক ততটাই ভুল, যতটা ভুল একটি গোল থেকে xG অনুমান করা — ফলাফল আর প্রক্রিয়া এক নয়। Stage-2 ফ্রেমওয়ার্ক এখানে সঠিকভাবে আচরণ করেছে: এটি ভৌগোলিক সংযোগকে Low confidence হিসেবে চিহ্নিত করেছে এবং স্পষ্ট বলেছে, নথিতে কোনো ক্লাবের উল্লেখ নেই, তাই ফুটবল-সংযোগ দাবি করা দায়িত্বজ্ঞানহীন হবে।

দ্বিতীয় স্তর — ট্রাফিক-প্রণোদনা। কেন একটি ক্রাইম আইটেম ফুটবল ফিডে ঢুকবে? কারণ ফিডের মালিক ট্রাফিক চায়, আর 'ফুটবল' লেবেল ফিডকে বড় দেখায়। এখানে ব্লকচেইনের আরেকটি ভুল প্রতিশ্রুতি ধরা পড়ে। অনেকে ভাবেন, অন-চেইন ভেরিফিকেশন দুর্নীতি বন্ধ করবে। কিন্তু যদি লেবেলিং প্রণোদনা ট্রাফিক-ভিত্তিক হয়, তাহলে লেজার শুধু সেই ট্রাফিক-ভুলকে স্থায়ী করে তুলবে। ডিস্ট্রিবিউটেড সিস্টেমে ব্যক্তির অসাধুতা কমানো যায়, কিন্তু সিস্টেম-স্তরের প্রণোদনা-ভুল লেজারে গেলে তা আরও দৃঢ়ভাবে গেঁথে যায় — কারণ এবার সেটা 'যাচাই করা' ডেটা। এটাই ডেটা মঙ্কের সবচেয়ে বড় দুঃস্বপ্ন: ভুল তথ্যকে এমনভাবে প্যাকেজ করা হলো যে সেটা সংশোধনের অযোগ্য।

তৃতীয় স্তর — ওরাকল সমস্যা। ব্লকচেইনের সবচেয়ে পরিচিত দর্শন: অন-চেইন কোড বিশ্বাসযোগ্য, কিন্তু বাইরের জগতের তথ্য (off-chain data) চেইনে আনার সময় একটি ওরাকল দরকার, এবং ওরাকল নিজেই একটি বিশ্বাস-বিন্দু। এই ফুটবল-লেবেল ঠিক সেই ওরাকল ব্যর্থতার অনুরূপ। কনটেন্ট-প্রোভেন্যান্স লেজারে লেবেল হলো ওরাকল-ইনপুট। লেবেলটি ভুল হলে, তার পেছনে থাকা সব hash, signature, টাইমস্ট্যাম্প — সব সঠিক থাকে, অথচ সামগ্রিক সত্যতা শূন্য। আমি গড়ে তুলেছিলাম এমন একটি পদ্ধতি যেখানে প্রতিটি টুর্নামেন্ট-পিসের জন্য একটি মেট্রিক গ্লসারি বাধ্যতামূলক — xG, PPDA, দূরত্ব, প্রোগ্রেসিভ পাস। ঠিক সেভাবে, প্রতিটি ডোমেইন-লেবেলের সাথে একটি 'এনটিটি-প্রুফ' বাধ্যতামূলক হওয়া উচিত: অন্তত একটি যাচাইযোগ্য, ডোমেইন-সংশ্লিষ্ট নাম (ক্লাব, খেলোয়াড়, লিগ) থাকলে তবেই লেবেল বৈধ।

এখন প্রমাণ-শৃঙ্খল মিলিয়ে দেখি। Stage-1-এর ২০টি তথ্যবিন্দুর কোনোটিই ডোমেইন যাচাই করতে পারে না। বরং তারা উল্টো প্রমাণ দেয় — বিষয়বস্তু ফৌজদারি প্রক্রিয়ার। অর্থাৎ, একটি নিখুঁত নাল-হ্যান্ডলিং সিস্টেম (যা Stage-2 ফ্রেমওয়ার্ক এখানে করেছে) সঠিকভাবে স্বীকার করছে: এখানে ফুটবল বিশ্লেষণের কোনো ভিত্তি নেই, তাই নয়টি মাত্রার আটটি N/A ফেরত দিতে হবে। এই N/A-গুলো আসলে জ্ঞান, অজ্ঞতা নয়। এটাই সবচেয়ে জরুরি শৃঙ্খলা। একটি ভুল-প্রশিক্ষিত মডেল এখানে দশটি ফুটবল অনুচ্ছেদ বানিয়ে দিতে পারত — জোর করে। এবং সেটাই হতো সত্যিকারের বিপর্যয়।

আমার বিশ্বকাপ-অভিজ্ঞতা মনে পড়ে। ২০১৮ রাশিয়া বিশ্বকাপে আমি PPDA আর Modric-এর দূরত্ব-মানচিত্র নিয়ে কাজ করেছিলাম; একটি নিয়ম দাঁড় করেছিলাম — PPDA ১২-র উপরে উঠলে প্রেস নিষ্ক্রিয়। নিয়মের সৌন্দর্য হলো, সীমা ছাড়ালে তুমি জানো প্রেস ভেঙেছে। এই কনটেন্ট-মিসলেবেলেও একই নিয়ম চাই। ডোমেইন-মিসম্যাচ একটি থ্রেশহোল্ড মেট্রিক হওয়া উচিত, মন্তব্য নয়। রেট বাড়লে জানবে ক্লাসিফায়ার ভেঙেছে।

এখানে একটি বাস্তব প্রশ্ন ওঠে: এই আইটেমকে ব্লকচেইন-ফিডে রাখা যাবে কি? আমার উত্তর: না। Stage-2 স্পষ্টভাবে সতর্ক করেছে — এখানে বিষয়টি একটি অভিযুক্ত সহিংস অপরাধের, এবং এই কনটেন্ট ফুটবল বা অন্য কোনো বিনোদন-ফিডে ছড়ালে সম্পাদকীয় ও রেপুটেশনাল ঝুঁকি তৈরি হবে। ভুক্তভোগীর ব্যক্তিগত ঘটনাকে সেনসেশন হিসেবে ব্যবহার করা সম্পাদকীয় দায়িত্বহীনতা। ডেটা ইন্টিগ্রিটির প্রতি শ্রদ্ধা দেখানোর সবচেয়ে ভালো উপায় এখানে নীরবতা: মিসলেবেলের নথিভুক্তি করো, কিন্তু কনটেন্ট ছড়িও না।

বিপরীত দৃষ্টিকোণ

কিন্তু এখানে আমাকে নিজের বিরুদ্ধে দাঁড়াতে হবে, কারণ করিলেশন কখনো কার্যকারণ নয়। সহজ ব্যাখ্যাটা হলো — 'পাইপলাইন ভুল।' কিন্তু সমালোচনামূলক দৃষ্টিতে দেখলে, পাইপলাইন একটি নিষ্ক্রিয় শিকার নয়, সে একটি আয়না। মিসলেবেল সম্ভবত একটি সম্পাদকীয় চাহিদার ফল: বিনোদন-ফিডগুলো সীমাহীন কনটেন্ট চায়, আর ingestion-স্ক্র্যাপার সীমাহীন ফিড দেয়। চাহিদা আর যোগান যখন বিষয়বস্তু-যাচাইয়ের চেয়ে দ্রুত, তখন লেবেল একটা আনুষ্ঠানিকতা হয়ে যায়। অর্থাৎ, দোষ শুধু ক্লাসিফায়ারের নয়, পুরো ব্যবস্থার — যেখানে একটি ভুল লেবেলের খরচ প্রায় শূন্য, আর একটি সঠিক যাচাইয়ের খরচ অনেক বেশি।

এর চেয়েও বিপরীত একটি যুক্তি আছে। আমি ব্লকচেইনকে দোষ দিচ্ছিলাম ভুল লেবেল অমর করে ফেলার জন্য। কিন্তু আধুনিক ডিস্ট্রিবিউটেড প্রোভেন্যান্স সিস্টেমে লেবেল কেবল append-only নয়, সংশোধনযোগ্য re-anchoring-ও সমর্থন করে — প্রতিটি সংশোধন আগেরটিকে মুছে না ফেলে পরেরটির সাথে যোগ করে। এই অর্থে, ব্লকচেইন আসলে দুর্দশার চেয়ে সুবিধা বেশি দিতে পারে, যদি সংশোধনের প্রণোদনা সঠিকভাবে নকশা করা হয়। অর্থাৎ সমস্যা ব্লকচেইনে নয়, সমস্যা হলো লেবেলিং-নীতি আর প্রণোদনার ভুল সংযোগে।

তৃতীয় বিপরীত বিন্দু: হয়তো এই মিসলেবেল আসলে কোনো ক্ষতি করল না। একটি আইটেম, একটি স্যাম্পল — এখান থেকে পাইপলাইন ভাঙা বলে ঘোষণা দেওয়া আমার নিজের ESTJ স্বভাবের একটি অতিসত্বর রায়। আমি স্বীকার করছি: এটা প্রোভিশনাল। একটিমাত্র ঘটনাকে মহামারি বানানো ভুল। তাই আমি থ্রেশহোল্ড রেখেছি, ডেটা রেখেছি, আর পর্যালোচনার তারিখ রাখছি।

টেকঅ্যাওয়ে

পরের ধাপে কী দেখা উচিত? একটি সংকেত: মিসম্যাচ রেট। যদি এক মাসে ডোমেইন-বনাম-বিষয়বস্তু মিসম্যাচ ০.৫%-এর উপরে থাকে, তবে এটা বিচ্ছিন্ন ভুল নয়, বরং একটি পদ্ধতিগত ক্লাসিফায়ার ব্যর্থতা — তখন ট্যাগিং-নিয়ম থেকে শুরু করে পুনঃপ্রশিক্ষণ পর্যন্ত পুনর্গঠন দরকার। আরেকটি সংকেত: ভুল-লেবেলের উৎস। কোন ingestion-নিয়মটি 'ফুটবল' বসাল, তা চিহ্নিত করা গেলে ভবিষ্যতের হাজারো ভুল বন্ধ করা যাবে।

ব্লকচেইন নিয়ে আমার চূড়ান্ত অবস্থান সরল: লেজার বিশ্বাসযোগ্যতা বাড়ায়, সত্য নয়। লেবেল ভুল হলে, সবচেয়ে শক্ত চেইনও তার সংশোধনের সাক্ষী হয়ে থাকবে — সত্যের নয়। তাই প্রশ্নটি ব্লকচেইন নয়, প্রশ্নটি হলো: তোমার পাইপলাইনে লেবেল বসানোর আগে কে যাচাই করছে, আর যাচাই ব্যর্থ হলে কে থামাচ্ছে? এই প্রশ্নের উত্তর যেদিন থাকবে, সেদিন আর কোনো ফুটবল ফিডে অপরাধ-সংবাদ ঢুকবে না — আর কোনো লেজারকেই ভুল লেবেল অমর করতে হবে না।

শব্দকোষ ও দাবিত্যাগ

Vinculación a proceso: মেক্সিকান ফৌজদারি প্রক্রিয়ার একটি ধাপ, যেখানে বিচারক অভিযুক্তের বিচারমুখী হওয়ার পর্যাপ্ত উপাদান পান। Desaparición cometida por particulares: ব্যক্তিগত ব্যক্তিদের দ্বারা সংঘটিত স্বাধীনতা-হরণের অপরাধ। Prisión preventiva oficiosa y justificada: বিচার-পূর্ব বাধ্যতামূলক আটকাদেশ। Domain mismatch: একটি আইটেমের বরাদ্দ ডোমেইন আর তার প্রকৃত বিষয়বস্তুর মধ্যে অমিল। N/A – insufficient information: প্রমাণ অপর্যাপ্ত হলে ফ্রেমওয়ার্কের বাধ্যতামূলক নাল-মান।

এই বিশ্লেষণ প্রকাশ্য তথ্য ও Stage-1 নথি-বিশ্লেষণের ভিত্তিতে। এটি কেবল তথ্যসূত্রের জন্য, কোনো বাজি বা পরামর্শ নয়। কোনো ব্যক্তির অপরাধ, নির্দোষতা বা আইনি দায় সম্পর্কে এখানে কোনো রায় দেওয়া হয়নি বা ইঙ্গিত করা হয়নি; সেই বিষয় কেবল সক্ষম বিচারিক কর্তৃপক্ষের এখতিয়ারে।