ডেটা-পাইপলাইনে ভুল লেবেল: তথ্যের অখণ্ডতা ও ব্লকচেইন ভেরিফিকেশনের শিক্ষা

গত সপ্তাহে ম্যানচেস্টারের একটি বিশ্লেষণ ডেস্কে একটি ডেটা-প্যাকেট এসে পৌঁছাল, যার গায়ে বসানো লেবেল—'football'। ফাইলটি খুলে যা পাওয়া গেল, তা সম্পূর্ণ ভিন্ন এক জগতের। সেখানে কোনো ক্লাব নেই, কোনো খেলোয়াড় নেই, কোনো ফর্মেশন নেই, স্কোরলাইনও নেই। বরং আছে মার্ভেলের একটি টিভি সিরিজ বাতিল হওয়ার খবর, ভক্তদের সোশ্যাল-মিডিয়া ক্যাম্পেইন, আর কমিক-কন প্যানেলের আলোচনা। লেবেল আর বিষয়বস্তুর মধ্যে ফারাক আকাশ-পাতাল। যে পাইপলাইন ফাইলটি পাঠিয়েছে, সে নিশ্চিত ছিল এটি ফুটবল-বিশ্লেষণের কাঁচামাল—কিন্তু ভেতরে ফুটবল নেই। আমার বছরের পর বছর ম্যাচ-দেখার অভিজ্ঞতা বলে, ভুল তথ্য কখনো ভুল জায়গায় থেমে থাকে না; একবার ছড়ালে তা নিজের পথ বানিয়ে নেয়। এই একটি ভুল লেবেলই আজকের আলোচনার কেন্দ্র। আধুনিক কনটেন্ট-পাইপলাইনে প্রতিটি নিবন্ধ, প্রতিটি ডেটা-বিন্দু একটি লেবেল নিয়ে চলাফেরা করে। লেবেল বলে দেয়—এটি ফুটবল, এটি ক্রিকেট, এটি বিনোদন। এর ভিত্তিতেই স্বয়ংক্রিয় সিস্টেম ঠিক করে কোন বিশ্লেষণ-মডেল চালানো হবে, কোন ডেটাবেজে তথ্য জমা হবে, কোন পাঠকের কাছে তা পৌঁছাবে। লেবেল ভুল হলে গোটা শৃঙ্খল ভুল হয়ে যায়। আলোচ্য তথ্য-বিন্দুগুলোর প্রতিটি বিনোদন-মিডিয়ার: চার্লি কক্স, ভিনসেন্ট ডি'অনফ্রিও, ডেবোরা অ্যান ওয়ল, মার্ভেল, ডিজনি+, নেটফ্লিক্স—এসব নাম ফুটবলের সঙ্গে সম্পর্কহীন। শনাক্তযোগ্য সত্তাগুলো (entities) সবই বিনোদন-শিল্পের। অথচ সিস্টেমে লেবেল বসেছে 'football'। এটি কোনো সৃজনশীল রূপক নয়, বাস্তব প্রক্রিয়াগত ত্রুটি—যা দেখায়, একটি স্বয়ংক্রিয় শ্রেণীবিন্যাস (classifier) ভুল করেছে এবং সেই ভুল নিচের দিকে ছড়িয়ে পড়ার ঝুঁকি তৈরি করেছে। বিষয়বস্তুটা বিশ্লেষণ করে যা বেরিয়ে এল, তা স্পষ্ট। 'Defenders reunion' ধাঁচের কাস্টিং জল্পনা আসলে ফ্র্যাঞ্চাইজি-ধারাবাহিকতার সংকেত, দল গঠনের সংকেত নয়। ২০১৮ সালে নেটফ্লিক্স থেকে বাতিল, তারপর ডিজনি+-এ পুনরুজ্জীবন—এটি মিডিয়া-ফ্র্যাঞ্চাইজির জীবনচক্র, ফুটবল ট্রান্সফার-বাজারের ছন্দ নয়। ভক্তদের 'Save Daredevil' ক্যাম্পেইন বিনোদন-ফ্যান্ডমের সংগঠিত প্রতিক্রিয়া, কোনো ক্লাবের ওপর জনমতের চাপ নয়। অর্থাৎ, ফুটবল-বিশ্লেষণের নয়টি মাত্রার একটিও এখানে প্রযোজ্য নয়—কারণ বিষয়বস্তুই ফুটবল নয়। লেবেল একরকম, ভেতরটা আরেকরকম। এখন আসল প্রশ্ন—এই ভুল লেবেলের ক্ষতি কোথায়? স্বয়ংক্রিয় সিস্টেমগুলো পরস্পর-সংযুক্ত সত্তা-গ্রাফ (entity graph) তৈরি করে: ক্লাব, খেলোয়াড়, প্রতিযোগিতা—নোড আর সংযোগের জাল। একটি বিনোদন-নিবন্ধ ঢুকে পড়লে সেই জালে ভুয়া সংযোগ জন্মায়। একটি বিনোদন-সিরিজের নাম যদি ভুল করে কোনো ফুটবল-সূচকে জায়গা পায়, তবে ভবিষ্যতের কোয়েরি, সুপারিশ-সিস্টেম, এমনকি বাজি-বাজার—সবই দূষিত হতে পারে। একে বলে ডাউনস্ট্রিম কনটামিনেশন। একবার দূষিত নোড গ্রাফে ঢুকলে সেটি মুছে ফেলা কঠিন; আর ভুল সিদ্ধান্ত কয়েক ধাপ পরে ফিরে আসে। তাই সবচেয়ে নিরাপদ পদক্ষেপ হলো নিবন্ধটিকে আলাদা করে রাখা—কোয়ারান্টিন—আর ফুটবল-সত্তার সারণি থেকে বাদ দেওয়া। এখানেই ভেরিফিকেশনের গল্প। লেবেল কেন ব্যর্থ হয়? কারণ শ্রেণীবিন্যাসকারী মডেলগুলো সাধারণত শিরোনামের পৃষ্ঠপোষকতা বা কিছু চেনা শব্দ ধরে সিদ্ধান্ত নেয়; বিষয়বস্তুর সারমর্ম পড়ে না। একটি 'domain-validation gate'—কীওয়ার্ড ও সত্তা-যাচাইয়ের সরল স্তর—অনেক ভুল ধরে ফেলতে পারে। যদি কোনো নিবন্ধে 'ফুটবল' লেবেল থাকে অথচ ৯৫ শতাংশ সত্তা বিনোদন-শিল্পের, তবে সিস্টেম নিজেই সতর্কবার্তা তুলতে পারে। সত্তা-নিষ্কাশন (entity extraction) ধাপটাই যদি অসম্পূর্ণ থাকে—যেমন আলোচ্য ক্ষেত্রে 'সত্তা চিহ্নিত করুন' লেখা ফাঁকা ঘর—তবে ভুল ধরার প্রথম সুযোগটাই হারিয়ে যায়। আমার দীর্ঘদিনের অভ্যাস হলো—যেকোনো দাবির আগে অন্তত তিনটি স্বতন্ত্র প্রমাণ মিলিয়ে দেখা। কোনো ক্লিপের ভিত্তিতে সিদ্ধান্তে পৌঁছানোর আগে আমি দুবার তথ্য যাচাই করি। তথ্য-পাইপলাইনের ক্ষেত্রেও একই নীতি কাজ করে: একটি যাচাই নয়, স্তরে স্তরে যাচাই। প্রথম স্তর—শিরোনাম ও উৎসের ধরন; দ্বিতীয় স্তর—সত্তার পরিসংখ্যান; তৃতীয় স্তর—বিষয়বস্তুর সারাংশের সঙ্গে লেবেলের মিল। তিন স্তরেই যদি লেবেল টিকে যায়, তবেই নিবন্ধ সামনে এগোবে। এই জায়গায় ব্লকচেইন প্রাসঙ্গিক হয়ে ওঠে—সরাসরি তথ্য যাচাইয়ের হাতিয়ার হিসেবে নয়, বরং উৎস-নথিভুক্তি (provenance) ও অ-পরিবর্তনীয়তার (immutability) কাঠামো হিসেবে। ভাবুন, প্রতিটি নিবন্ধ প্রকাশের মুহূর্তে তার বিষয়বস্তুর একটি ক্রিপ্টোগ্রাফিক হ্যাশ-মূল্য লেজারে লিখে রাখা হলো, সঙ্গে লেবেল, উৎস, সময়। পরে কেউ লেবেল বদলালে হ্যাশ মিলবে না—ভুল ধরা পড়বে সঙ্গে সঙ্গে। একটি অডিট ট্রেইল তৈরি হয়, যেখানে কে, কখন, কোন তথ্য যোগ বা বদল করেছে তা স্থায়ীভাবে লিপিবদ্ধ থাকে। আরও গভীরে গেলে, একাধিক নিবন্ধের হ্যাশ একটি মার্কল-ট্রি (Merkle tree) কাঠামোয় সাজানো যায়। তখন একটি শাখার হ্যাশ বদলালে গোটা গাছের মূল-হ্যাশ বদলে যায়—অর্থাৎ ব্যাচের মধ্যে লুকানো কোনো পরিবর্তন অসম্ভব হয়ে পড়ে। স্মার্ট-কনট্র্যাক্ট দিয়ে সরল নিয়মও বসানো যায়: 'লেবেল ফুটবল হলে সত্তার অন্তত ৭০ শতাংশ ফুটবল-সত্তা হতে হবে, নাহলে লেনদেন প্রত্যাখ্যাত।' নিয়ম ভাঙলে তথ্য লেজারে ঢুকতেই পারবে না। এভাবে প্রমাণ-ভিত্তিক একটি স্বয়ংক্রিয় দ্বারপাল তৈরি হয়। তবে ব্লকচেইনকে জাদুর কাঠি ভাবলে ভুল হবে—এখানেই সবচেয়ে বড় ফাঁদ। প্রথমত, ব্লকচেইন অখণ্ডতা যাচাই করে, সত্যতা নয়। একটি মিথ্যা তথ্য যদি প্রথম থেকেই সঠিকভাবে হ্যাশ করে লেজারে লেখা হয়, তবে ব্লকচেইন সেটিকে নিখুঁতভাবে সংরক্ষণ করবে—ভুলটা ধরে ফেলবে না। অর্থাৎ, ভুল লেবেল আপস্ট্রিমে তৈরি হলে ডাউনস্ট্রিমে তা অপরিবর্তনীয়ভাবে বন্দী হয়ে যেতে পারে। দ্বিতীয়ত, প্রতিটি ডেটা-বিন্দুতে যাচাই-স্তর যোগ করলে পাইপলাইন ধীর হয়ে যায়; রিয়েল-টাইম সংবাদ-প্রবাহে অতিরিক্ত ভেরিফিকেশনের খরচ আছে। ব্লকচেইন বনাম সাধারণ ডেটাবেজের একটা অমিল এখানে স্পষ্ট—ব্লকচেইন 'কে কী বলল, কখন বলল' প্রমাণ করে, কিন্তু 'তথ্যটি আসলে সঠিক কি না' তার নিশ্চয়তা দেয় না। সেই কাজটা করতে হয় মানুষের আর ভালো শ্রেণীবিন্যাস-নকশার। প্রমাণের শৃঙ্খল আর সত্যের অনুসন্ধান—দুটো আলাদা দায়িত্ব, দুটোকে গুলিয়ে ফেললে ভুল বাড়ে। আর একটা বড় পাঠ—অতিরিক্ত আত্মবিশ্বাস। সিস্টেম যখন বলে 'লেবেল নিশ্চিত', তখন আমরা আর যাচাই করি না। কিন্তু লেবেল কোনো সত্য-সনদ নয়, শুধু একটা লেন্স; প্রতিটি লেন্সের নিজস্ব অন্ধবিন্দু থাকে। ম্যানচেস্টারের ডেস্কে সেই অন্ধবিন্দুটা ছিল—ডেটা-প্যাকেটের গায়ে 'football' লেখা দেখে কেউ আর ভেতরে উঁকি দেয়নি। একজন বিশ্লেষকের প্রথম দায়িত্ব ভেতরে উঁকি দেওয়া, লেবেলে ভরসা না করা। নীরবতা যখন স্পষ্ট হয়, তখন শুনতে শেখা দরকার; এখানে সেই নীরবতা হলো—অনুপস্থিত খেলোয়াড়, অনুপস্থিত ক্লাব, অনুপস্থিত স্কোরলাইন। সামনে যা দেখার অপেক্ষায়: আগামী দিনে তথ্য-পাইপলাইনগুলো কি স্তরে স্তরে ভেরিফিকেশন আর উৎস-নথিভুক্তি—সম্ভবত ব্লকচেইন-অনুপ্রাণিত অডিট-স্তর—নিজেদের অঙ্গ করে নেবে, নাকি শুধু গতি আর স্কেলের দিকে ছুটবে? আমার হিসাবে প্রথমটা যত দেরিতে আসবে, ডেটা-দূষণের খরচ তত বাড়বে। কারণ ভুল লেবেল চুপচাপ থাকে না; একটি ভুল, দশটি ভুল ডেকে আনে। প্রশ্নটা তাই সিস্টেম-নির্মাতাদের—তারা কি অখণ্ডতাকে গতির চেয়ে বেশি মূল্য দিতে রাজি?