खाली फ़ाइल साफ़ फ़ाइल नहीं होती: क्रिकेट डेटा ऑडिट में शून्य निष्कर्ष का बहीखाता

सुबह छह बजकर चालीस मिनट। बेंगलुरु की खिड़की के बाहर बारिश के बाद की ठंडी हवा, और स्क्रीन पर एक दस्तावेज़ जो देखने में पूरी तरह मुकम्मल था। शीर्षक की जगह एन/ए। स्रोत की जगह एन/ए। लेख का प्रकार: अपवर्गीकृत। सूचना बिंदु: शून्य। आठ विश्लेषण-खंड अपनी-अपनी जगह पर खड़े थे, जैसे किसी स्कोरकार्ड में सारे कॉलम छप जाएँ और टीमों के नाम की दो पंक्तियाँ कोई भरना भूल जाए। मैंने वह पेज तीन बार ऊपर-नीचे किया और हर बार वही मिला — एक साफ़-सुथरा खाली बहीखाता।

ऐसा एक बार पहले भी हुआ था, उन्नीस सौ तिरासी-चौरासी की सर्दियों में, जब मैंने चार लेजरों में भरा सीज़न खोला और पाया कि तीन संस्करणों में सच अलग-अलग बैठा था। तब भी दिक्कत एक ही थी: काग़ज़ मौजूद था, गवाही ग़ायब थी। फ़र्क़ इतना है कि तब स्याही सूख चुकी थी और आज सब कुछ लाइव था — फिर भी शून्य।

यह पीस किसी मैच की कहानी नहीं है। यह उस पल की रिपोर्ट है जब एक क्रिकेट डेटा पाइपलाइन ने चुप रहना चुना, और उस चुप्पी को निष्कर्ष मान लेने का लालच पूरे मामले का सबसे बड़ा जोखिम बन गया।

स्टेज-1 से हम असल में माँगते क्या हैं

किसी भी क्रिकेट विश्लेषण की पहली कोशिश यह नहीं होती कि कोई राय बने, बल्कि यह कि कच्चे पाठ से कुछ ठोस निकले। उस चरण में शीर्षक, स्रोत, लेख का प्रकार, मुख्य दृष्टिकोण, सूचना बिंदु, शामिल इकाइयाँ, समय-संवेदनशीलता और स्रोत की गुणवत्ता — ये आठ चीज़ें निकलनी चाहिए। इन्हीं के ऊपर आगे के आठ आयाम खड़े होते हैं: प्रारूप और मैच, खिलाड़ी की तकनीक और आँकड़े, टीम का परिदृश्य, लीग और वाणिज्य, नियम और शासन, जोखिम, सार्वजनिक कथा, और उद्योग में संचरण।

जिस दस्तावेज़ ने मुझे सुबह परेशान किया, उसमें इनमें से एक भी भरा नहीं था। शीर्षक एन/ए, स्रोत एन/ए, प्रकार अपवर्गीकृत, मुख्य दृष्टिकोण के तीनों उप-खंड खाली, सूचना बिंदुओं की सूची में शून्य प्रविष्टियाँ, इकाइयाँ अज्ञात, समय-संवेदनशीलता का आकलन नहीं हुआ, स्रोत की गुणवत्ता तय नहीं हुई। यह कम जानकारी वाला लेख नहीं था। यह ऐसा लेख था जिसका पाठ कभी पकड़ा ही नहीं गया।

प्रारूप इस खेल में सजावट नहीं, दरवाज़ा है। टी20 में सात का इकॉनमी रेट ठीक-ठाक से बेहतर माना जाता है, तेज़ रन बनने वाले वनडे में वह साधारण है, और टेस्ट में उसका कोई मतलब ही नहीं। स्ट्राइक रेट शब्द दो अलग चीज़ों के लिए इस्तेमाल होता है — बल्लेबाज़ के लिए प्रति सौ गेंद रन, गेंदबाज़ के लिए प्रति विकेट गेंदें। जब तक प्रारूप तय न हो, एक भी वाक्य जो सही सुनाई दे, वैध नहीं हो सकता। मेरे पास यह तय करने का कोई आधार नहीं था कि सामने टेस्ट था, वनडे, टी20, या कोई लीग मुक़ाबला। द्विपक्षीय सीरीज़ थी या आईसीसी टूर्नामेंट — यह भी नहीं। मैदान कौन-सा, पिच कैसी, मौसम क्या, डीएलएस लगा या नहीं — कुछ नहीं।

बीस साल पहले, अप्रैल दो हज़ार में, जब क्रोनिए कांड फूटा और अज़हरुद्दीन का नाम सामने आया, तब मेरे पास ग्यारह सौ एकदिवसीय मैचों का निजी डेटाबेस था। एक दिल्ली के रिपोर्टर ने चालीस मैचों के ओवर-रेट और नो-बॉल के आँकड़े माँगे। मैंने दिए। फिर उन्होंने संदिग्ध खिलाड़ियों की सूची छापने की बात कही और मैंने रोक दिया — क्योंकि जो विसंगतियाँ मिल रही थीं, उन्हें साधारण खराब क्रिकेट से अलग करना उस डेटा से मुमकिन नहीं था। उस रात बारह पन्नों का एक मेथड्स नोट लिखा गया, और वही छपा। उस दिन के बाद से हर विश्लेषण के अंत में एक पैराग्राफ़ जुड़ता है: यह डेटा क्या नहीं दिखा सकता।

आज वही पैराग्राफ़ पूरे लेख की जगह ले रहा है।

विफलता कहाँ हुई, इसका क्रम मायने रखता है

पहला संकेत सबसे साफ़ है और सबसे ज़्यादा नज़रअंदाज़ किया जाता है। शीर्षक, स्रोत और प्रकार — तीनों एक साथ खाली थे। यह कोई इत्तेफ़ाक़ नहीं। क्रिकेट की समझ के बिना भी एक पार्सर शीर्षक और स्रोत उठा सकता है। जब तीनों गिर जाएँ, तो गड़बड़ी क्रिकेट-विशिष्ट निष्कर्षण से पहले की है। दूसरे शब्दों में, दस्तावेज़ उस मंज़िल तक पहुँचा ही नहीं जहाँ उससे क्रिकेट पूछा जाता। जिस स्कोरकार्ड पर टीमों के नाम ही न हों, उस पर गेंदबाज़ी के आँकड़ों की बहस करना बेकार है — पहले यह पूछना होता है कि छापा किसने।

दूसरा संकेत ज़्यादा तकनीकी है पर उतना ही उपयोगी। डोमेन लेबल में निर्धारित शब्द (क्रिकेट) की जगह एक अनौपचारिक टैग छपा था — क्रिकेट_वर्ल्ड। यह वर्गीकरण का सटीक मिलान नहीं, बल्कि अनुमान है। एक ऐसा अनुमान जो तब लगाया जाता है जब क्लासिफ़ायर के पास कुछ भी पढ़ने को न हो और वह विषय का अंदाज़ा लगाकर आगे बढ़ जाए। नियंत्रित शब्दावली की नज़र में यह वैसा ही है जैसे एक स्कोरकार्ड में कॉलम का शीर्षक ग़लत जगह छप जाए।

तीसरा और सबसे निर्णायक संकेत: मुख्य दृष्टिकोण के तीनों उप-खंड — सारांश, लेखक का पक्ष, लेख का उद्देश्य — एक साथ एन/ए थे, जबकि टेम्पलेट का ढाँचा जस का तस मौजूद था। इसका मतलब यह नहीं कि पाइपलाइन ने सोचने में ग़लती की। इसका मतलब यह है कि उसे पढ़ने के लिए कुछ मिला ही नहीं। इनपुट-पक्ष की विफलता, तर्क-पक्ष की नहीं।

कारणों को प्राथमिकता के क्रम में रखूँ, क्योंकि रिपेयर का खर्च इसी क्रम से तय होता है। सबसे ऊपर गतिशील रेंडरिंग, पेवॉल या बॉट-ब्लॉक — क्रॉलर को खाली या सहमति-दीवार वाला एचटीएमएल खोल मिला, यह सबसे संभावित है। दूसरे नंबर पर ग़ैर-गद्य स्रोत — स्कोरकार्ड, लाइव-ब्लॉग का खोल, वीडियो पेज, सोशल पोस्ट। इन्हें मुख्य दृष्टिकोण में तोड़ना ही ग़लत तरीका है, क्योंकि इनमें दृष्टिकोण होता ही नहीं। तीसरे नंबर पर स्टेज-1 से स्टेज-2 के बीच पेलोड का कटना या बिगड़ना। तीनों में फ़र्क़ है, और इलाज भी अलग है।

एक चीज़ जो इस सूची में नहीं है, वह भी दर्ज होनी चाहिए — यह संभावना कि स्रोत में सचमुच कुछ नहीं था। ऐसा लगभग नहीं होता। खाली दिखने वाले पेज पर भी सामान्यतः एक शीर्षक और एक यूआरएल होता है जिसे पार्सर उठा सकता है। दोनों का ग़ायब होना बताता है कि पेज पढ़ा ही नहीं गया।

समय-संवेदनशीलता की गैरहाज़िरी सबसे तेज़ संकेत है। किसी भी गद्य लेख से, चाहे वह कितना भी पतला हो, प्रकाशन की तारीख़ और सीरीज़ का चरण आम तौर पर निकल आता है। इनका आकलन न होना यह बताता है कि कोई गद्य ही नहीं मिला। जब तक तारीख़ तय न हो, यह भी नहीं कहा जा सकता कि जो पढ़ा जा रहा है वह पूर्वावलोकन है, मैच रिपोर्ट है, या छह महीने पुराना कोई पुराना टुकड़ा।

और अब वह खतरा जिसका नाम किसी जोखिम-मैट्रिक्स में नहीं आता

आठ-खंड का ढाँचा खुद एक न्योता है। जब खाने खाली हों, तो भरने का दबाव बनता है। यह मानवीय स्वभाव है, और एआई में यह और भी साफ़ दिखता है, क्योंकि खाली खाना भरना सबसे आसान काम है। क्रिकेट में यह दबाव इसलिए ज़्यादा खतरनाक है कि इस खेल के आँकड़े आपस में विनिमय-योग्य नहीं हैं। एक गढ़ा हुआ इकॉनमी रेट या एक मनगढ़ंत नीलामी का आँकड़ा पाठक चाहकर भी क्रॉस-चेक नहीं कर सकता, क्योंकि वह नहीं जानता कि वह टेस्ट का आँकड़ा था या टी20 का, करोड़ में था या डॉलर में, और किस साल का था।

इस बात की मुझे आदत है, पैंतालीस साल के स्कोरकार्ड पढ़ने से पैदा हुई आदत। किसी भी संख्या को छापने से पहले मैं यह लिखता हूँ कि वह किस दस्तावेज़ से आई और आख़िरी बार कब जाँची गई। दो हज़ार ग्यारह की मेगा नीलामी के लिए मैंने एक वैल्यूएशन शीट बनाई थी जिसमें हर खिलाड़ी का दाम प्रति रन और प्रति विकेट, रिप्लेसमेंट के ऊपर, करोड़ में निकाला गया था और चिन्नास्वामी के छोटे चौकोर बाउंड्री के हिसाब से समायोजित किया गया था। उस शीट में एक नाम शामिल था जो फ़्रैंचाइज़ी द्वारा खरीदे गए मार्की नाम से ऊपर बैठता था। उस शीट की सबसे ज़रूरी पंक्ति वह नहीं थी जिसमें दाम था; वह पंक्ति थी जिसमें त्रुटि की सीमा लिखी थी। जिस दिन कोई उस सीमा को हटाकर दशमलव को कोट कर देता है, उस दिन एक सटीकता एक झूठी निश्चितता में बदल जाती है।

मेरे मित्र इसे मेरा सतर्कता-कर कहते हैं। मैं इसे दो हज़ार का नियम कहता हूँ: किसी खिलाड़ी का नाम किसी सांख्यिकीय तर्क के अंदर तब तक नहीं आता जब तक वह प्रभाव एक स्वतंत्र दूसरी जाँच में न टिक जाए।

असली नुक़सान वह नहीं जो मिला, वह है जो नहीं मिला — और उसे 'कुछ नहीं मिला' पढ़ लिया गया

जब कोई स्टेज खाली लौटता है, तो वह तकनीकी रूप से कोई ग़लती नहीं फेंकता। वह एक सुसज्जित दस्तावेज़ लौटाता है जो देखने में विश्लेषण जैसा लगता है। यही इस विफलता की सबसे बड़ी खूबी है — चुप्पी। कोई अलार्म नहीं बजता, कोई लाल झंडा नहीं उठता, और अगली कड़ी में कोई लिख देता है: विश्लेषण में कोई बड़ा जोखिम नहीं पाया गया।

यह वाक्य इस पूरे मामले का सबसे खतरनाक वाक्य है, क्योंकि यह एक शून्य को एक नकारात्मक निष्कर्ष में बदल देता है। क्रिकेट में इन दोनों में ज़मीन-आसमान का फ़र्क़ है। जब मैं कहता हूँ कि किसी मैच में स्पॉट-फ़िक्सिंग का कोई संकेत नहीं मिला, तो इसका मतलब यह नहीं कि मैंने देखा और साफ़ पाया; इसका मतलब यह भी हो सकता है कि मैंने देखा ही नहीं। 'जोखिम नहीं मिला' और 'जानकारी नहीं मिली' एक ही काग़ज़ पर एक जैसे दिखते हैं, और दोनों का वज़न बिल्कुल अलग है।

यह अंतर सबसे ज़्यादा तब मायने रखता है जब बात ईमानदारी की हो। निचले दर्जे की और उभरती लीगें ऐसे संपर्कों के लिए जानी-पहचानी जगहें रही हैं — यह बात दो हज़ार के क्रोनिए मामले से लेकर दो हज़ार दस के पाकिस्तान स्पॉट-फ़िक्सिंग और दो हज़ार तेरह के आईपीएल मामले तक दर्ज है। यहाँ जब लीग का नाम ही तय नहीं है, तो ईमानदारी के जोखिम का आधार-स्तर अज्ञात है — कम नहीं, अज्ञात। किसी फ़ाइल के खाली होने को उसकी सफ़ाई का सबूत मान लेना वही ग़लती है जो पचास साल के अधूरे रणजी रिकॉर्ड और सत्रह से पहले के महिला क्रिकेट के लगभग शून्य कवरेज ने हमें सिखाई थी। वहाँ खालीपन एक तथ्य था, सफ़ाई नहीं। यहाँ खालीपन एक और तरह का तथ्य है — पाइपलाइन का, क्रिकेट का नहीं।

दो खालीपन एक जैसे नहीं होते। पुरालेख की चुप्पी इतिहास की चुप्पी है; रिट्रीवल की चुप्पी तकनीकी दोष है। पहली को निष्कर्ष के रूप में दर्ज करना पेशेवर काम है। दूसरी को निष्कर्ष मान लेना लापरवाही है। मैंने लेजर में खामोशी को अनुपस्थिति नहीं, एक डेटम मानना सीखा था — पर उसके लिए यह भी देखना पड़ता है कि लेजर खुला था या बंद।

अगली बार से पहले क्या चाहिए, यह सूची छोटी है

इस पूरे बहीखाते को खोलने के लिए पाँच चीज़ों में से किन्हीं दो की ज़रूरत है, और चार मिल जाएँ तो आठों आयाम भर सकते हैं। पहली: लेख का शीर्षक और प्रकाशन की तारीख़, या सीरीज़ का चरण। दूसरी: प्रारूप और मैच की प्रकृति — टेस्ट, वनडे, टी20, लीग या आईसीसी आयोजन। तीसरी: एक भी नामित इकाई — टीम, खिलाड़ी, कोच, बोर्ड, फ़्रैंचाइज़ी। चौथी: कम से कम तीन ठोस सूचना बिंदु — स्कोर, आँकड़े, कोट, अनुबंध की रकम, चोट की रिपोर्ट। पाँचवीं: स्रोत की पहचान और उसकी श्रेणी — आधिकारिक बोर्ड, समाचार एजेंसी, विशेषज्ञ प्रकाशन, या एग्रीगेटर।

इनमें से कुछ भी मौजूद नहीं है। इसलिए आगे की हर बात, चाहे कितनी भी अच्छी लगे, कपोल-कल्पना होगी। और यहीं एक और पुरानी आदत काम आती है: पहले धारणा को दाम लगाओ, फिर बोली को। लेकिन यहाँ धारणा भी नहीं है, क्योंकि धारणा बनाने के लिए भी एक सुर्ख़ी चाहिए।

इस सबका उल्टा पक्ष

उद्योग की स्वाभाविक प्रतिक्रिया यह होगी कि पाइपलाइन की गड़बड़ी को अंदर ही अंदर ठीक कर लिया जाए और बात आगे न बढ़े। मेरी स्थिति इसके उलट है: शून्य परिणाम को छापना चाहिए, क्योंकि साफ़ रिपोर्ट ज़्यादा खतरनाक दस्तावेज़ है। खाली स्टेज-1 एक डिबगर के लिए एक घंटे का काम है; एक झूठा 'सब ठीक है' छह महीने तक हवा में तैरता रहता है, क्योंकि उसे कोई दोबारा नहीं जाँचता।

दूसरी बात जो मैं जोड़ूँगा, वह पेशे के बारे में है। जब खाना खाली हो तो उसे भरने वाला व्यक्ति सबसे मेहनती नहीं, सबसे बेईमान होता है, भले उसका इरादा अच्छा हो। मुझे फ़ुटबॉल में भी यही पैटर्न दिखता है — प्रबंधक चार की पंक्ति खेलने का जोखिम नहीं लेते क्योंकि उसके उजागर होने का दाग़ उनके नाम पर लगता है, तो वे तीन-पीछे में छिप जाते हैं। डेटा की दुनिया में इसका समकक्ष यह है कि सिस्टम खाली परिणाम दिखाने का जोखिम नहीं लेता और अनुमान को परिणाम की शक्ल दे देता है। दोनों में असली सवाल यह नहीं कि कौन-सा ढाँचा बेहतर है; सवाल यह है कि ग़लती का दाग़ किसके नाम लगेगा।

तीसरी बात, और यह मेरे लिए सबसे ज़रूरी है — किसी भी दावे के साथ उसका ज़माना लिखना। अगर कल को इसी तरह का खाली दस्तावेज़ किसी असली मैच पर लौटे और उसमें किसी तेज़ गेंदबाज़ की थकान का ज़िक्र हो, तो उसे दो हज़ार छब्बीस के मापदंडों से नहीं, उस दौर के कार्यभार से नापना होगा। बिना एफ़टीपी कैलेंडर और बिना उस गेंदबाज़ की गेंदों की संख्या के कोई यह नहीं कह सकता कि व्यस्त कैलेंडर ने वह चोट पैदा की। वह दावा आँकड़े के बिना सिर्फ़ एक राय है, और राय को मैं आँकड़े की जगह नहीं रखता।

आगे क्या देखना है

अगली बार जब यह पाइपलाइन चले, तो मैं पाँच चीज़ें देखूँगा। पहली: सूचना बिंदुओं की संख्या तीन या उससे ऊपर हो, और शीर्षक मान्य हो। दूसरी: डोमेन लेबल 'क्रिकेट' लौटे, क्रिकेट_वर्ल्ड नहीं — यह बताएगा कि क्लासिफ़ायर ने असली पाठ पढ़ा है। तीसरी: स्रोत का प्रकार पहचाना जाए, यानी यह तय हो कि यूआरएल लेख पर जाता है या स्कोरकार्ड पर। चौथी: प्रकाशन की तारीख़ और सीरीज़ का चरण भरे जाएँ, जिससे समय-संवेदनशीलता का हिसाब बने। पाँचवीं: इकाइयाँ हल हों — टीम, खिलाड़ी, लीग के नाम आएँ। जिस दिन ये पाँच में से चार मिल जाएँ, उस दिन आठों आयाम खुल जाएँगे।

और जिस दिन कोई साफ़-सुथरी रिपोर्ट मेज़ पर रखे, मेरा पहला सवाल यही रहेगा: यह कितने सूचना बिंदुओं पर बनी है? अगर जवाब शून्य है, तो वह रिपोर्ट नहीं, एक खाली लेजर है जिस पर किसी ने मुहर लगा दी है।