टैग मिल गया, तथ्य नहीं: क्रिकेट डेटा पाइपलाइन में एक्सट्रैक्शन फेलियर की ऑडिट रिपोर्ट

पिछले हफ्ते मेरे डेस्क पर एक स्टेज-2 एनालिसिस रिपोर्ट आई। पहला पन्ना पढ़ने के बाद मैंने टैब दो बार बंद किया और दोबारा खोला, यह मानकर कि गलत फाइल खुल गई है। रिपोर्ट में आठ एनालिटिकल डाइमेंशन थे — फॉर्मेट और मैच इंटरप्रिटेशन, खिलाड़ी की तकनीक और डेटा, टीम लैंडस्केप और रैंकिंग, लीग का कमर्शियल इकोसिस्टम, नियम और गवर्नेंस, रिस्क मैट्रिक्स, पब्लिक नैरेटिव, इंडस्ट्री ट्रांसमिशन। हर डाइमेंशन में टेबल थी, हर टेबल में सेल, और हर सेल में एक ही वाक्य लिखा था: "N/A — अपर्याप्त जानकारी।"

सिर्फ एक फील्ड में डेटा था — डोमेन लेबल: cricket_asia। न शीर्षक, न स्रोत, न फॉर्मेट, न एक भी खिलाड़ी का नाम, न स्कोर, न वेन्यू, न तारीख। जिस दस्तावेज़ को क्रिकेट की एनालिसिस रिपोर्ट कहा गया, उसमें क्रिकेट का एक भी तथ्य नहीं था। यह लेख उसी रिपोर्ट के बारे में है — किसी मैच के बारे में नहीं।

संदर्भ: दो स्टेज, और बीच में एक खाली जगह

क्रिकेट कंटेंट पाइपलाइन आम तौर पर दो चरणों में चलती है। स्टेज-1 कच्चे लेख को तोड़कर उससे परमाणु तथ्य निकालता है — एक स्कोर, एक नाम, एक आंकड़ा, एक हवाला। इन्हें "इनफॉर्मेशन पॉइंट" कहते हैं। स्टेज-2 उन परमाणुओं पर आठ-आयामी फ्रेमवर्क लगाता है। पूरा ढांचा इस अनुमान पर खड़ा है कि स्टेज-1 कामयाब रहा।

मेरे पास इस अनुमान पर भरोसा करने की आदत कभी नहीं रही। अक्टूबर 2026 में जवाहरलाल नेहरू स्टेडियम में FIFA U-17 विश्व कप के वॉलंटियर डेटा-लॉगिंग रोल में मैंने 11 मैच कागज़ पर चार्ट किए, क्योंकि वेन्यू की वाई-फाई बार-बार गिरती थी। कोलकाता का फाइनल — इंग्लैंड 5-2 स्पेन, 28 अक्टूबर 2026 — मैंने अगले एक महीने में बार-बार देखा और 60 पन्ने फिल फोडेन के हाफ-स्पेस रिसीविंग एंगल्स से भर दिए। उस वर्ष से मेरा एक नियम है: जिस मैच को खुद चार्ट न किया हो, उसका वर्णन नहीं करता।

यह नियम सिर्फ मैचों पर लागू नहीं होता। 2026 विश्व कप में सऊदी अरब ने 22 नवंबर को अर्जेंटीना को 2-1 से हराया; मैंने वह मैच स्कोरकार्ड से नहीं, दस ऑफसाइड की टाइमस्टैम्प से समझा। मोरक्को सेमीफाइनल तक पहुंचा और पूरे टूर्नामेंट में सिर्फ एक गोल खाया — वह भी खुद का। ये तथ्य मेरे अपने क्लिप-रेफरेंस टेम्पलेट में दर्ज हैं, किसी दूसरे के सारांश से उधार नहीं।

मूल विश्लेषण: चार तरीके जिनसे तथ्य गायब होते हैं

एक डोमेन टैग भरा हुआ और बाकी सब खाली — यह पैटर्न अपने आप में एक सुराग है। इसका सबसे संभावित मतलब है कि फेच कहीं तो पहुंचा, लेकिन पार्सिंग वहां फेल हो गई। चार क्लासिक वजहें हैं: पेवॉल, इमेज-ओनली रेंडरिंग, गैर-लैटिन स्क्रिप्ट, और फेच ट्रंकेशन। चौथी वजह सबसे धोखेबाज़ है, क्योंकि उसमें एरर मैसेज नहीं आता — सिस्टम बस आधा दस्तावेज़ पढ़कर चुप हो जाता है।

एक क्लासिफायर तथ्य नहीं होता। cricket_asia यह बताता है कि लेख किस विषय-श्रेणी में रखा गया, यह नहीं कि उसमें कौन सी टीम, कौन सा फॉर्मेट या कौन सा बोर्ड मौजूद है। टैग से टीम का अनुमान लगाना वैसा ही है जैसे स्कोरकार्ड के रंग से नतीजा तय करना।

"N/A" का मतलब "कम जोखिम" नहीं, "अन-असेस्ड" होता है। रिपोर्ट ने यहां सही अनुशासन दिखाया — उसने खाली डेटा को "लो रिस्क" में डाउनग्रेड करने से इनकार किया। खाली दस्तावेज़ में आरोपों का न होना सुशासन का सबूत नहीं है। यह अंतर छोटा दिखता है और पूरे रिस्क फ्रेमवर्क को बचाता है।

सबसे बड़ी अड़चन फॉर्मेट है। क्रिकेट में हर आंकड़ा अपने फॉर्मेट के बिना सिर्फ अधूरा नहीं, भ्रामक होता है। 7.0 की इकॉनमी T20 में कुलीन मानी जाती है और टेस्ट में लगभग अप्रासंगिक। औसत, स्ट्राइक रेट, बॉलिंग लोड — तीनों का पैमाना फॉर्मेट बदलते ही बदल जाता है। जब स्टेज-1 फॉर्मेट ही नहीं बताता, तो स्टेज-2 का हर डेटा-दावा किसी एक फॉर्मेट की चादर ओढ़कर बोला जाएगा, और वह चादर किसी ने सिली नहीं होगी।

यहां असली खतरा तकनीकी नहीं, एपिस्टेमिक है। एक खाली पेलोड जिस पर टैग चिपका है, वह विश्लेषण-योग्य दिखता है। यही भ्रम नीचे की कड़ी में हॉलुसिनेशन बनकर निकलता है — कोई खिलाड़ी का नाम जोड़ देता है, कोई स्कोरलाइन, कोई नीलामी की कीमत। रिपोर्ट ने इस खतरे को "उच्च संभावना / उच्च प्रभाव" कहकर सही पहचाना, और यही उस दस्तावेज़ की एकमात्र ठोस खोज है।

क्लिपबोर्ड कुछ और कह रहा था; चालीस मीटर कुछ और। यहां क्लिपबोर्ड पर "क्रिकेट" लिखा था और मैदान पर कोई मैच ही नहीं था।

उलटा कोण: ईमानदारी को जीत मत समझिए

इस रिपोर्ट को पढ़कर बहुत लोग राहत महसूस करेंगे — देखिए, सिस्टम ने कुछ गढ़ा नहीं, उसने N/A लिख दिया। यह राहत गलत जगह पर है। स्टेज-2 की ईमानदारी स्टेज-1 की नाकामी का इलाज नहीं है। मॉडल का संयम एक अच्छा गुण है, लेकिन उत्पाद का मापक यह नहीं है कि उसने कितना नहीं लिखा; मापक यह है कि पाठक को क्या मिला। यहां पाठक को शून्य मिला।

असली ब्लाइंड स्पॉट एरर की जगह पर नहीं, एरर के बाद की जगह पर है। पाइपलाइन में कोई वैलिडेटर नहीं था जो खाली इनफॉर्मेशन पॉइंट्स वाला पेलोड आगे जाने से ही रोक देता। स्रोत, आर्टिकल टाइप और टाइम सेंसिटिविटी — ये तीन फील्ड अगर अनिवार्य और वैलिडेटेड होते, तो यह पूरा दस्तावेज़ कभी बनता ही नहीं। एरर को पकड़ने वाला सिस्टम एरर से ज़्यादा कीमती है, और यहां वह सिस्टम मौजूद ही नहीं था।

टेकअवे: अगली बार क्या जांचें

मैं अपनी भविष्यवाणी तारीख और शर्त के साथ दर्ज करता हूं: अगर अगले चार हफ्तों में cricket_asia टैग वाले दो और लेख शून्य इनफॉर्मेशन पॉइंट के साथ आते हैं, तो यह फेच एरर नहीं, टैक्सोनॉमी और एक्सट्रैक्शन के बीच की सिस्टमैटिक बेमेल है। तब सवाल यह नहीं रहेगा कि लेख क्यों खाली आया — सवाल यह होगा कि हमने फॉर्मेट को अनिवार्य फील्ड बनाने में इतनी देर क्यों लगाई।