क्रिकेट_एशिया का ख़ाली स्कीमा: सोलह फ़ील्ड, पंद्रह N/A, और एक पाइपलाइन की पोस्ट-मॉर्टम

रात ग्यारह बजकर चालीस मिनट पर पाइपलाइन ने जवाब दिया। स्क्रीन पर सोलह फ़ील्ड वाला एक JSON खुला और उनमें से पंद्रह में N/A अटका हुआ था — शीर्षक N/A, स्रोत N/A, लेख का प्रकार "अवर्गीकृत", एक-वाक्य सारांश ख़ाली, लेखक का रुख़ N/A, उद्देश्य N/A, सूचना-बिंदु शून्य, संस्थाएँ "पहचानी नहीं जा सकीं", समय-संवेदनशीलता "आँकी नहीं गई", स्रोत की गुणवत्ता "तय नहीं की जा सकती"। सोलह में से एक ही फ़ील्ड ज़िंदा लौटा: domain_label: cricket_asia।

करोल बाग की जिस इमारत के नीचे मोबाइल फ़ोन की दुकान है, उसकी ऊपर की मंज़िल पर बैठी चार लोगों की डेस्क का काम यही है — क्रिकेट की किसी भी ख़बर को ऐसी चीज़ में बदलना जिसे दोबारा जाँचा जा सके। उस रात हमारे पास एक ऐसा रिकॉर्ड था जो तकनीकी तौर पर मौजूद था और सामग्री के तौर पर ख़ाली। यह लेख उसी रिकॉर्ड का पोस्ट-मॉर्टम है, क्योंकि मॉडल की चूक उसकी कामयाबी से ज़्यादा सिखाती है।

मैं कज़ान इसलिए गया था कि एक मॉडल को सरेआम फेल होते देख सकूँ। सबक़ मिला, और सबक़ वह नहीं था जो तब लगा था। मॉडल का सबसे महँगा आउटपुट ग़लत जवाब नहीं होता; सबसे महँगा आउटपुट वह ख़ाली जवाब होता है जिसे सिस्टम अपने हिसाब से "सफल" मान लेता है। उस रात यही हुआ — जर्मनी के ख़िलाफ़ नहीं, अपनी ही पाइपलाइन के ख़िलाफ़।

स्टेज-1 एक्सट्रैक्शन क्या है, यह पहले समझना ज़रूरी है। किसी भी क्रिकेट आर्टिकल के प्रकाशित होने के बाद एक प्रोग्राम उसे पढ़ता है और टुकड़ों में तोड़ता है: शीर्षक, स्रोत, प्रकार, एक वाक्य का सार, लेखक का रुख़, लेख का उद्देश्य, सूचना-बिंदु, संस्थाओं के नाम, समय-संवेदनशीलता और स्रोत की गुणवत्ता। यही परत आगे की हर चीज़ का कच्चा माल है — आर्काइव, खोज, संदर्भ-जाँच, संक्षिप्त उत्तर कैप्सूल, और बाहरी डेटाबेस के साथ क्रॉस-चेक। अगर यह परत ख़ाली लौटती है, तो उसके ऊपर बना हर निष्कर्ष अनुमान बन जाता है।

cricket_asia टैग इस काम को आसान नहीं, मुश्किल बनाता है। इस एक लेबल के नीचे एशिया कप आ सकता है, द्विपक्षीय सीरीज़ आ सकती है, आईसीसी और एसीसी की गवर्नेंस आ सकती है, बोर्ड-राजनीति आ सकती है, चयन और रैंकिंग की बहस आ सकती है, ब्रॉडकास्ट राइट्स और लीग की अर्थव्यवस्था आ सकती है, और स्टेडियम या ग्रासरूट ढाँचे की ख़बर भी आ सकती है। लेबल सही है और फिर भी बेकार है, क्योंकि लेबल विषय बताता है, सबूत नहीं।

अब वही ऑडिट, फ़ील्ड दर फ़ील्ड, क्योंकि नुक़सान कहाँ हुआ यहीं से पता चलता है।

शीर्षक और स्रोत का N/A होना सबसे बड़ी क्षति है, क्योंकि इन दो फ़ील्ड के बिना लेख को दोबारा ढूँढा ही नहीं जा सकता। शीर्षक नहीं तो पहचान नहीं; स्रोत नहीं तो विश्वसनीयता का सवाल ही ख़त्म। हमारे पास एक वाक्य बचा है — "क्रिकेट, एशिया" — और बाक़ी सब अनुमान।

प्रकार के "अवर्गीकृत" होने का मतलब है कि ख़बर, विश्लेषण, राय, फ़ीचर और मैच रिपोर्ट के बीच का फ़र्क़ मिट गया है। यह छोटी बात नहीं है। एक मैच रिपोर्ट से आप जो दावा स्वीकार करते हैं, वही दावा किसी ओपिनियन पीस से नहीं स्वीकारते। प्रकार ग़ायब होते ही पाठक का विश्वास-स्तर भी ग़ायब हो जाता है, और डेस्क के पास यह तय करने का कोई ज़रिया नहीं बचता कि इस लेख को किस वज़न से तौला जाए।

एक-वाक्य सारांश का ख़ाली होना सबसे साफ़ संकेत है कि यह एक्सट्रैक्शन की चूक है, लेख का ख़ालीपन नहीं। सारांश तब ख़ाली आता है जब प्रोग्राम तक लेख की देह पहुँची ही न हो। पेडवॉल, कटा हुआ एचटीएमएल, पीडीएफ पार्सिंग, एन्कोडिंग या भाषा — इनमें से कोई एक कड़ी टूटी और नीचे के सारे फ़ील्ड अनाथ हो गए।

मैं अठारह साल से क्रिकेट देखते और कवरेज पढ़ते हुए इस आदत से जूझता रहा हूँ कि कमेंट्री बॉक्स एक वाक्य में दावा कर देता है और स्कोरकार्ड उसे तीन ओवर बाद ख़ारिज कर देता है। यही फ़र्क़ यहाँ भी है। लेखक का रुख़ और उद्देश्य दोनों का N/A होना पूर्वाग्रह-विश्लेषण को असंभव बना देता है। हम यह नहीं कह सकते कि लेखक तटस्थ था या पैरवी कर रहा था, कि लेख सूचित कर रहा था या मनाने की कोशिश। पूर्वाग्रह तभी नापा जाता है जब पाठ मौजूद हो।

सूचना-बिंदुओं का शून्य होना सबसे भारी नुक़सान है, क्योंकि सबूत की जंज़ीर यहीं से शुरू होती है। शून्य बिंदु का मतलब शून्य तथ्य, शून्य उद्धरण, शून्य आँकड़े, शून्य कारण-दावे। इस स्थिति में विश्लेषक के पास जो बचता है वह टिप्पणी है, विश्लेषण नहीं।

संस्थाओं का "पहचानी नहीं जा सकीं" वाला जवाब अपने आप में ईमानदार है और ख़तरनाक भी। ईमानदार इसलिए कि सिस्टम ने झूठ नहीं बोला; ख़तरनाक इसलिए कि अगली बार वही सिस्टम चुपचाप कोई नाम भर सकता था। यहीं मेरी फ़ाइल का सबसे उपयोगी कॉलम काम आता है — मेरी फ़ाइल में भाग्य का एक अलग कॉलम है। वह सबसे ईमानदार कॉलम है, क्योंकि वह दर्ज करता है कि विफलता इनपुट की थी या अनुमान की। इस मामले में वह कॉलम भी ख़ाली है, क्योंकि इनपुट का लॉग ही नहीं रखा गया।

समय-संवेदनशीलता का "आँका नहीं गया" क्रिकेट_एशिया जैसे टैग में सबसे भारी पड़ता है। यहाँ टूर्नामेंट चक्र, गवर्निंग बॉडी के फ़ैसले, खिलाड़ियों की उपलब्धता, रैंकिंग और द्विपक्षीय शेड्यूल, सब तारीख़ के गुलाम हैं। एक दिन पुरानी ख़बर यहाँ पुरानी नहीं, ग़लत हो जाती है। बिना तारीख़ और बिना समय-लेबल वाला रिकॉर्ड आर्काइव में एक जाल बनकर पड़ा रहता है।

स्रोत की गुणवत्ता "तय नहीं की जा सकती" — यह वाक्य किसी भी डेटा-डेस्क के लिए बर्दाश्त के बाहर है। स्रोत, लेखक, तारीख़ और प्रकाशन-संदर्भ के बिना विश्वसनीयता का कोई हिसाब नहीं बनता।

निदान साफ़ है, और निदान लेख के भीतर नहीं, पाइपलाइन के भीतर है। यह अपस्ट्रीम एक्सट्रैक्शन विफलता है, ऐसा लेख नहीं जिसमें सामग्री ही न हो। संभावित कारण सीमित हैं और सब जाँचे जा सकते हैं: लेख की देह ख़ाली, कटी हुई, पेडवॉल के पीछे या एक्सट्रैक्टर तक पहुँची ही नहीं; एचटीएमएल, पीडीएफ, एन्कोडिंग या भाषा पर पार्सर गिरा; प्रॉम्प्ट और स्कीमा ने ख़ाली ऐरे और डिफ़ॉल्ट N/A लौटा दिए; डोमेन क्लासिफ़िकेशन सफल रहा और उसके नीचे की कड़ियाँ छूट गईं; और JSON वैलिडेशन ने ख़ाली अनिवार्य फ़ील्ड को ग़लती नहीं माना।

आख़िरी कारण सबसे शर्मनाक है और सबसे आम। स्कीमा ने N/A को एक वैध मान मान लिया। यानी पाइपलाइन के पास "मुझे नहीं पता" कहने की जगह थी, पर "मुझे नहीं पता" को त्रुटि के रूप में दर्ज करने का नियम नहीं था।

एक वास्तविक विश्लेषण के लिए स्टेज-1 में कम से कम यह चाहिए: शीर्षक, स्रोत, लेखक, तारीख़ और प्रकार; एक-वाक्य सारांश और रुख़; पाँच से दस सूचना-बिंदु, हर एक के साथ स्रोत; देश, बोर्ड, खिलाड़ी, टूर्नामेंट और संस्थानों के नाम; समय-संवेदी तथ्य और तारीख़ें; और स्रोत-गुणवत्ता के संकेतक। इनमें से कोई भी मौजूद न हो तो विश्लेषण विश्लेषण नहीं, अनुमान-कथा बन जाता है।

कमरे की राय यही कहती है कि लेख में कुछ था ही नहीं। मैं उस राय को सबूत की तरह रखता हूँ, शोर की तरह नहीं — क्योंकि कमरा यहाँ एक ऐसी बात कह रहा है जिसे डेटा सीधे ख़ारिज नहीं कर सकता। लेकिन कमरा और डेटा दोनों एक ही जगह अटक रहे हैं: हमें पता ही नहीं कि लेख ख़ाली था या एक्सट्रैक्टर तक पहुँचा ही नहीं। इन दोनों को अलग किए बिना हर निष्कर्ष ठीक वैसा ही है जैसा करोल बाग में पार-स्कोर था — करोल बाग में पार-स्कोर एक अफ़वाह था जिसे दोहराते-दोहराते नंबर बना दिया गया।

यहाँ असली चेतावनी क्लासिफ़ायर की कामयाबी है, उसकी नाकामी नहीं। डोमेन लेबल सही आया, जबकि उसके नीचे कोई सबूत नहीं था। यह ठीक वही ढाँचा है जिससे भरोसे का झूठा भवन खड़ा होता है: एक पक्का लेबल, शून्य सामग्री, और फिर वह लेबल अगले तीन साल तक तथ्य की तरह उद्धृत होता रहता है। सोलह में पंद्रह ख़ाली फ़ील्ड, और डोमेन लेबल चुपचाप पूरी कवरेज में गिना जाने लगा। इसीलिए सुधार की दिशा पार्सर बदलने से नहीं, अनुबंध बदलने से तय होती है: अनिवार्य फ़ील्ड ख़ाली हो तो रिकॉर्ड अस्वीकार हो, आधा-अधूरा स्वीकार न हो।

आगे का काम साफ़ है — कच्चे टेक्स्ट के साथ एक्सट्रैक्शन दोबारा चलाएँ, अनिवार्य फ़ील्ड ख़ाली होने पर रिकॉर्ड ठुकराएँ, और हर चूक को सार्वजनिक त्रुटि-लॉग में दर्ज करें। एक मठ बाज़ार से बहस नहीं करता; वह रिग्रेशन दोबारा चलाता है। सवाल यह है: हमारे आर्काइव में पहले से पड़े जिन हज़ारों रिकॉर्डों को हम आज "कवरेज" कह रहे हैं, उनमें से कितने ऐसे ही ख़ाली स्कीमा हैं जिन्हें कभी किसी ने दोबारा नहीं खोला?