खाली स्कीमा, पूरा भरोसा: जब क्रिकेट डेटा पाइपलाइन ने शून्य सूचना-बिंदु को रिपोर्ट कह दिया
कोर उत्तर: क्रिकेट डोमेन की Stage-2 रिपोर्ट में शून्य सूचना-बिंदु मिले, इसलिए किसी टीम, खिलाड़ी, लीग या बोर्ड पर कोई खेल, वाणिज्यिक या शासन-संबंधी निर्णय दर्ज नहीं किया गया; सही आउटपुट दस्तावेज़ीकृत गैर-मूल्यांकन और EXTRACTION_FAILED स्थिति है। मुख्य तथ्य: - Stage-1 ने पूरा स्कीमा लौटाया, पर शीर्षक, स्रोत, तिथि, सूचना-बिंदु और इकाइयाँ सभी शून्य रहीं। - इकाइयों के खाने में एक्सट्रैक्टर का निर्देश-पाठ ही मान बनकर बैठा रह गया। - डोमेन लेबल cricket_world मिला, जो मानक लेबल Cricket से भिन्न है। - आठ आयामों में प्रत्येक स्थान पर N/A दर्ज हुआ; कोई निष्कर्ष नहीं बनाया गया। - दोबारा चलाने के लिए सात फ़ील्ड अनिवार्य हैं, जिनमें तीन P0 श्रेणी के हैं। स्रोत: क्रिकेट डोमेन Stage-2 विश्लेषण रिपोर्ट, आंतरिक दस्तावेज़, 2026 | Cross-checked: cricsultan.com संबंधित प्रश्नोत्तर: प्रश्न: डेटा पाइपलाइन में सबसे बड़ा जोखिम क्या है? उत्तर: वैध दिखने वाला खाली स्कीमा, क्योंकि वह त्रुटि नहीं देता और रिपोर्ट में बिना पकड़े घुस जाता है। प्रश्न: किसी खिलाड़ी या टीम पर निष्कर्ष क्यों नहीं निकाला गया? उत्तर: क्योंकि एक भी सूचना-बिंदु और एक भी नामित इकाई उपलब्ध नहीं थी, और बिना नमूने के फ़ॉर्म-आकलन केवल अनुमान होता। प्रश्न: यह रिपोर्ट कब अमान्य होगी? उत्तर: जब मूल स्रोत का URL दोबारा फ़ेच होकर शीर्षक, प्रकाशन-तिथि और कम से कम तीन सूचना-बिंदु मिल जाएँ।
खाली स्कीमा, पूरा भरोसा: जब क्रिकेट डेटा पाइपलाइन ने शून्य सूचना-बिंदु को रिपोर्ट कह दिया
सुबह 6:40 बजे करोल बाग की उस गली में मोबाइल की दुकान के ऊपर बना दफ़्तर अभी खुला भी नहीं था। मैंने लैपटॉप खोला और फ़ाइल खींची। नाम था stage1_cricket_world.json। स्कीमा पूरा था — शीर्षक, स्रोत, लेख-प्रकार, एक-वाक्य सारांश, लेखक का रुख़, उद्देश्य, सूचना-बिंदु, इकाइयाँ, समय-संवेदनशीलता, स्रोत-गुणवत्ता, डोमेन। हर कुंजी अपनी जगह पर। हर मान खाली। पहला ख़याल आया कि रेंडरिंग की गड़बड़ है, टैब दोबारा खोलूँ। दूसरे ख़याल ने पहले वाले को सुधार दिया: यह फ़ाइल एरर नहीं दे रही थी। यह सफलता जैसी दिख रही थी।
उस सुबह मेरे पास दो चीज़ें थीं। एक ऐसा स्कीमा जिसमें एक भी सूचना-बिंदु नहीं था, और एक विश्लेषण-ढाँचा जो आठ आयामों में अपनी बात कहने के लिए तैयार बैठा था। सवाल यह नहीं था कि रिपोर्ट कैसे लिखी जाए। सवाल यह था कि जिस चीज़ का वज़न शून्य है, उसे कैसे तौला जाए — और यह बताने की हिम्मत कहाँ से आए कि वज़न शून्य है।

यह उसी किस्म का सवाल है जो मैंने 2026 में अपने ही मॉडल से पूछा था और 2026 में कज़ान में दोबारा पूछा था। फ़र्क़ एक ही है। उन दोनों बार मॉडल ऊँची आवाज़ में ग़लत हुआ। इस बार वह चुपचाप ग़लत हुआ।
क्रिकेट एनालिटिक्स की इमारत दो मंज़िल की है, और दोनों मंज़िलों के बीच एक सीढ़ी है जिसे कोई नहीं देखता। पहली मंज़िल पर कच्चा माल आता है — कोई लेख, कोई स्कोरकार्ड, कोई ऑक्शन-लिस्ट, कोई बोर्ड का बयान। वहाँ से निकलने वाली चीज़ का नाम है सूचना-बिंदु: एक-एक करके गिनी जा सकने वाली, हवाले में डाली जा सकने वाली इकाई। साथ में इकाइयाँ — कौन-सी टीम, कौन-सा खिलाड़ी, कौन-सा बोर्ड, कौन-सी घटना। साथ में समय-संवेदनशीलता और स्रोत-गुणवत्ता, क्योंकि क्रिकेट में तारीख़ के बिना संख्या संख्या नहीं होती, वह सिर्फ़ अंक होती है। दूसरी मंज़िल पर आठ आयाम बैठते हैं — प्रारूप और मैच, खिलाड़ी की तकनीक और डेटा, टीम का परिदृश्य, लीग और वाणिज्य, नियम और शासन, जोखिम, सार्वजनिक कथा, और उद्योग-संचरण।
पूरी इमारत का एक ही नियम है: ऊपर की मंज़िल पर जो भी कहा जाए, वह नीचे के किसी क्रमांकित सूचना-बिंदु तक पहुँचना चाहिए। जिस वाक्य को नीचे का कोई बिंदु नहीं थामता, वह विश्लेषण नहीं, कमेंट्री है। और कमेंट्री की सबसे पुरानी आदत यह है कि वह कमी को भी पूरे वाक्य में बदल देती है।
क्रिकेट को इस अनुशासन की ज़रूरत बाक़ी खेलों से ज़्यादा है, क्योंकि यहाँ संख्याओं का उत्पादन औद्योगिक पैमाने पर होता है और उनकी देखभाल हाथ से होती है। ट्रांसफ़र विंडो के दिनों में यह और साफ़ दिखता है। हर ट्रांसफ़र अफ़वाह एक कहानी से पहले एक कीमत है — किसी एजेंट की माँग, किसी क्लब की ज़रूरत, किसी खिलाड़ी की रिलीज़-क्लॉज़, किसी फ़्रैंचाइज़ी की वेज-बिल। जब सूचना-बिंदु मौजूद हों, तो अफ़वाह को तौला जा सकता है: स्रोत बोर्ड का आधिकारिक बयान है, विश्वसनीय पत्रकार है, सामान्य मीडिया है, या ट्रैफ़िक के लिए चलने वाला हैंडल है। जब सूचना-बिंदु मौजूद न हों, तो बचता कुछ नहीं — सिर्फ़ अनुमान, और अनुमान की आवाज़ हमेशा तेज़ होती है।
अठारह साल से मैं मैच देखते हुए नोट्स लिखता आया हूँ, और शुरू से एक आदत रही है: घटना के साथ-साथ अनुपस्थिति भी दर्ज करना। कौन गेंदबाज़ अटैक से बाहर था, कौन बल्लेबाज़ नंबर तीन पर नहीं आया, कौन-सी जानकारी प्रेस कॉन्फ़्रेंस में नहीं मिली। क्रिकेट में जानकारी पत्रकार तक पहुँचने से पहले तीन दफ़्तरों में कटती है — टीम मैनेजमेंट, बोर्ड का मीडिया सेल, और स्थानीय स्थान-प्रबंधन। जो जानकारी बच कर निकलती है, वही आँकड़ा बनती है। जो नहीं निकलती, उसके खाने में पारंपरिक रूप से एक विशेषण भर दिया जाता है। मेरा पूरा काम उस विशेषण को हटाने की कोशिश है।
उस सुबह की फ़ाइल में वही जगह खाली थी, और उसने कुछ ज़्यादा ही साफ़ बता दिया।
फ़ाइल में था क्या
सूचना-बिंदुओं की सूची शून्य थी। शीर्षक, स्रोत, तारीख़, लेख-प्रकार — सब N/A। समय-संवेदनशीलता का मूल्यांकन नहीं हुआ था, स्रोत-गुणवत्ता का भी नहीं। यानी वह आधार ही मौजूद नहीं था जिस पर विश्वसनीयता की कोई भी मंज़िल खड़ी की जा सके।
सबसे ज़्यादा बोलने वाली चीज़ इकाइयों का खाना था। उसमें किसी टीम, खिलाड़ी, बोर्ड या आयोजन का नाम नहीं था। वहाँ एक्सट्रैक्टर का अपना निर्देश-पाठ बैठा हुआ था — "ऊपर दिए सूचना-बिंदुओं से पहचानें।" यह छोटी-सी बात तकनीकी दृष्टि से बहुत बड़ी है। जिस खाने में नाम आना चाहिए था, उसमें प्रक्रिया का निर्देश आकर बैठ गया — यह टेम्पलेट के खाली रह जाने की सबसे साफ़ अंगुली है। किसी लेख में अगर वाक़ई कोई नाम नहीं होता, तो भी एक्सट्रैक्टर उस खाने को खाली या अपरिभाषित छोड़ता है; वह अपनी हिदायत वहाँ नहीं छोड़ता।
इससे एक निष्कर्ष निकलता है जिस पर मेरा भरोसा ऊँचा है: गड़बड़ सामग्री में नहीं, सामग्री के आने की नली में है। खाली फ़ेच, पेवॉल, गैर-गद्य इनपुट, या स्क्रैपर का शून्य बॉडी लौटाना — इनमें से कोई एक। नीचे का एक्सट्रैक्टर तब त्रुटि देने के बजाय खाली टेम्पलेट लौटा, और ऊपर की हर मंज़िल ने उसे वैध डेटा मान लिया। यह भरोसे की चेन नहीं, भरोसे की आदत है।
दूसरी छोटी-सी बात डोमेन-लेबल की है। क्रिकेट के लिए जो मानक लेबल तय है, वह Cricket है। यहाँ जो लेबल आया, वह cricket_world था। अंतर सतही लगता है, पर इसका मतलब यह है कि लेबल किसी पढ़ी हुई सामग्री से नहीं, किसी कीवर्ड-फ़ॉलबैक से बना — यानी वर्गीकरण की वह लाइन जो सामग्री न मिलने पर काम में लगाई जाती है। मेरे भरोसे का स्तर यहाँ मध्यम है, क्योंकि एक ही रिकॉर्ड से वर्गीकरण की आदतों का फ़ैसला नहीं होता। पर क्रिकेट में लेबल चुपचाप काम करते हैं और उसी तरह चुपचाप गड़बड़ाते हैं। टी20 की डेथ-ओवर इकॉनमी दर अगर किसी टेस्ट तुलना-तालिका में पेस्ट हो जाए, तो संख्या अपनी जगह पर सही दिखेगी और निष्कर्ष पूरा ग़लत निकलेगा।
चुप्पी वाली ग़लती की कोई एरर-बार नहीं होती
21 मई 2026। हैदराबाद का फ़ाइनल। मैं डेस्क पर बैठा था और स्क्रीन पर मेरा पहला पार-स्कोर मॉडल चल रहा था — साठ मैच, गेंद-दर-गेंद, पहली पारी का ढाँचा। आख़िरी ओवर बाक़ी था और मॉडल ने राइज़िंग पुणे सुपरजायंट को जीत की 62 प्रतिशत संभावना दी थी। मुंबई इंडियंस ने 129 रन बचाए और एक रन से मैच जीत लिया। अगले छह हफ़्ते मैंने अकेले डेथ-ओवर मॉड्यूल दोबारा खड़ा किया।
उस विफलता में एक अच्छी बात थी: वह बोल रही थी। स्कोरबोर्ड ने मुझे सीधे चुनौती दी, मैंने फ़ाइल खोली, गिनती की, और अपनी ग़लती का नाम लिया।
27 जून 2026, कज़ान। मैं एक मॉडल को सार्वजनिक रूप से विफल होते देखने गया था। वह शिक्षाप्रद था। उस टूर्नामेंट में मेरे ढाँचे ने जर्मनी को आगे बढ़ने की 91 प्रतिशत संभावना दी थी; जर्मनी उसी दिन दक्षिण कोरिया से 0-2 हारकर बाहर हो गया। टूर्नामेंट के रिकॉर्ड 12 आत्मघाती गोल ने मेरे टोटल्स मॉडल को अलग से तोड़ा। ग्रुप चरण मैंने अपने ही दावों पर 68 प्रतिशत पर बंद किया, और वैरिएंस की मान्यताएँ शुरू से दोबारा लिखीं।
ये दोनों विफलताएँ महँगी थीं, पर ईमानदार थीं। उन्होंने मुझे बताया कि मैं ग़लत था, और इसलिए मैंने उन्हें दर्ज किया। उस सुबह की फ़ाइल ने मुझे कुछ नहीं बताया। उसने कहा: सब व्यवस्थित है, स्कीमा पूरा है, आगे बढ़ो।
मैं किस्मत के लिए एक कॉलम रखता हूँ। यह फ़ाइल का सबसे ईमानदार कॉलम है। किसी भी नतीजे के साथ मैं दो सवाल पूछता हूँ — क्या मैं ग़लत था, या मैं बदक़िस्मत था? — और दोनों के जवाब अलग-अलग लिखता हूँ। उस सुबह किस्मत का कॉलम भरने के लिए कोई घटना ही नहीं थी। जहाँ घटना न हो, वहाँ बदक़िस्मती का हवाला देना भी एक किस्म का आविष्कार है।
पाँच चेतावनियाँ, जिनमें दो सबसे महँगी हैं
खाली फ़ाइल से निकली चेतावनियों को मैंने प्राथमिकता के क्रम में रखा, क्योंकि जोखिम सूची की कीमत उसके क्रम में है, उसकी लंबाई में नहीं।
पहली, स्तर ऊँचा: खाली सबूत के आधार पर आविष्कार का ख़तरा। ढाँचा इतना राय-प्रधान है कि कोई भी भरने वाला उसे सामान्य क्रिकेट-कमेंट्री से भर सकता है, और वह आउटपुट झूठा होने के बावजूद जाँच से बच जाएगा क्योंकि उसमें जाँचने लायक कोई दावा ही नहीं होगा। यही असली जोखिम है। मेरी सिफ़ारिश साफ़ है: इस पेलोड पर बना कोई भी आउटपुट जिसमें टीम, खिलाड़ी, संख्या या रुझान का नाम आए, उसे अस्वीकार किया जाए।
दूसरी, स्तर ऊँचा: चुपचाप होने वाली पाइपलाइन विफलता। एक्सट्रैक्टर ने त्रुटि देने के बजाय वैध दिखने वाला स्कीमा लौटाया। इसका मतलब यह है कि इस किस्म की विफलता रिपोर्ट में बिना पकड़े घुस सकती है। समाधान तकनीकी है और सस्ता है: एक सख़्त सत्यापन-द्वार। अगर सूचना-बिंदुओं की सूची खाली है, अगर शीर्षक या स्रोत शून्य है, अगर इकाइयाँ अनसुलझी हैं — तो पहली मंज़िल को अस्वीकार करना चाहिए और स्पष्ट रूप से EXTRACTION_FAILED लौटाना चाहिए, खाली टेम्पलेट नहीं।
तीसरी, स्तर मध्यम: प्रारूप का अज्ञात रहना। टेस्ट, वनडे, टी20 और द हंड्रेड — इनके मापदंड आपस में विनिमेय नहीं हैं। चूँकि प्रारूप तय नहीं हुआ, किसी भी बाद के बैकफ़िल में यह रिकॉर्ड साझा डेटासेट में मिल जाने का ख़तरा है। रिकॉर्ड पर format: unknown टैग लगाना चाहिए और प्रारूप तय होने तक उसे किसी पूल या तुलनात्मक तालिका में जाने से रोकना चाहिए।
चौथी, स्तर मध्यम: डोमेन-लेबल का खिसकना। cricket_world मानक Cricket के मुक़ाबले गैर-मानक है, और यह सामग्री-आधारित वर्गीकरण के बजाय फ़ॉलबैक रास्ते का संकेत है। शब्दावली को सामान्य करना चाहिए और गैर-मानक लेबल को दूसरे दर्जे का विफलता-संकेत मानना चाहिए।
पाँचवीं, स्तर निम्न: स्रोत-प्रामाणिकता का सूनापन। स्रोत N/A और स्रोत-गुणवत्ता N/A — यानी विश्वसनीयता की कोई न्यूनतम मंज़िल ही नहीं। अगर सामग्री बाद में वापस भी मिल जाए, तो उसका सबूती वज़न तौला नहीं जा सकेगा। स्रोत का URL और प्रकाशन-तिथि अनिवार्य फ़ील्ड होने चाहिए।
इन पाँचों में एक बात समान है: इनमें से कोई भी जोखिम खेल का नहीं, विश्लेषण का है। और शून्य जानकारी को "कम जोखिम" पढ़ना इस पूरी सूची का सबसे महँगा अनुवाद होता। इसीलिए रिपोर्ट ने समग्र जोखिम-रेटिंग देने से इनकार किया। वह इनकार सजावट नहीं, सही आउटपुट है। जानकारी का अभाव अनुपालन का सबूत नहीं होता — यह वाक्य क्रिकेट बोर्डों के लिए भी उतना ही सच है जितना डेटा पाइपलाइनों के लिए।
टेम्पलेट भरने का लालच
मैं ईमानदार रहूँगा। फ़ाइल खोलने के बाद पहले तीस सेकंड मेरा हाथ भरने पर गया। यही आदत है — किसी भी खाली खाने को देखकर भरने का मन करता है। अगर उस झुकाव को हावी होने देता, तो रिपोर्ट कुछ ऐसी दिखती: पावरप्ले में दबदबा, तेज़ गेंदबाज़ी की गहराई, मध्यक्रम की नाज़ुकी, ऑक्शन में बढ़ी कीमत, और कप्तानी का तजुर्बा। सुनने में परिचित लगता है, है न? यह क्रिकेट-कवरेज का स्टॉक-इन-ट्रेड है, और इसकी सबसे बड़ी ख़ूबी यह है कि इसे कभी ग़लत साबित नहीं किया जा सकता, क्योंकि इसमें कोई नमूना नहीं, कोई तारीख़ नहीं, कोई शर्त नहीं जिसके टूटने पर दावा मर जाए।
यह मेरे काम की सबसे पुरानी गड़बड़ है और वह मेरे ही दफ़्तर में बैठी है। 2026 में जब जोखिम-डेस्क बंद हुई, मैंने पाँच महीने चार हज़ार टी20 मैचों का निजी डेटाबेस बनाया। सितंबर में आईपीएल जब UAE गया, तो खाली स्टेडियमों ने भीड़ के दबाव वाला चर हटा दिया। रिग्रेशन ने दिखाया कि दुबई में दूसरी पारी का वैरिएंस टीम की ताक़त से ज़्यादा टॉस और शाम की ओस से समझाया जा सकता है। नोट नौ हज़ार शब्दों का था और छह हफ़्ते देर से गया; 10 नवंबर के फ़ाइनल तक 40 ग्राहक 3,100 हो गए थे। उस पूरे अनुभव का निचोड़ एक ही वाक्य में है: जब आप कोई चर हटाते हैं, तो बचा हुआ वैरिएंस अचानक दिखने लगता है।
इस बार जो चर हटा था, वह लेख ख़ुद था।
बाईस हज़ार खाली सीटें, और होम एडवांटेज चुपचाप शून्य तक राउंड डाउन। उस उदाहरण ने मुझे सिखाया था कि "घरेलू माहौल" जैसी चीज़ को अगर तोड़ें, तो उसमें सफ़र के दिन, पिच की क्यूरेशन, टॉस का समय, अंपायर का आवंटन और भरे हुए सीटों की असली संख्या रह जाती है। उस सुबह वही तोड़ने की क्रिया इस रिपोर्ट पर लागू हुई: जब सामग्री हटी, तो जो बचा वह पद्धति थी। और पद्धति ने अपना काम किया।
करोल बाग में पार-स्कोर एक अफ़वाह था जिसे इतनी बार दोहराया गया कि वह संख्या बन गया। इस फ़ाइल के साथ उलटा हुआ — एक संख्या के खाने को इतनी बार भरा गया कि वह संख्या होने का दिखावा कर गया।
दोबारा चलाने के लिए सात फ़ील्ड
रिपोर्ट का सबसे उपयोगी हिस्सा वह तालिका है जो बताती है कि दोबारा चलाने के लिए क्या चाहिए। सात फ़ील्ड। तीन P0 श्रेणी के, जिनके बिना कुछ नहीं चलेगा: शीर्षक, कम से कम तीन अलग-अलग सूचना-बिंदु, और कम से कम एक नामित इकाई। दो P1 श्रेणी के: स्रोत का नाम और प्रकाशन-तिथि, और प्रारूप का कोई संकेत। दो P2 श्रेणी के: लेखक का कम से कम एक दावा, और मानक डोमेन-लेबल।
इस विभाजन का मतलब साफ़ है। अकेले P0 भर जाए तो पहले तीन आयाम आंशिक गहराई में चल सकते हैं। P0 और P1 मिल जाएँ तो छह आयाम और आठवाँ आयाम खुल जाता है। पूरा सेट सातवें आयाम — सार्वजनिक कथा और अपेक्षा — के लिए ज़रूरी है, क्योंकि कथा को तौलने के लिए विरोधी दावे चाहिए, और विरोधी दावे अकेले डेटा से नहीं बनते।
मैंने इस रिपोर्ट की किल-कंडीशन पहले ही लिख दी है, नतीजे से पहले: अगर स्रोत का URL दोबारा फ़ेच हो जाए और उसमें शीर्षक, तारीख़ और कम से कम तीन सूचना-बिंदु निकल आएँ, तो यह पूरी रिपोर्ट अमान्य हो जाएगी और उसकी जगह सामान्य गहराई वाला आठ-आयाम विश्लेषण आ जाएगा। यह मॉडल का हार नहीं होगा। यह मॉडल का वह हिस्सा होगा जो ठीक चला।
यह भी दर्ज करना ज़रूरी है कि इस रिपोर्ट में क्या नहीं है। कोई टीम नहीं, कोई खिलाड़ी नहीं, कोई बोर्ड नहीं, कोई लीग नहीं, कोई घटना नहीं। पाँच विषयों की सूची — सत्ता और राजस्व का बँटवारा, खेल के नियमों का विवाद, सट्टेबाज़ी और भ्रष्टाचार-विरोधी निगरानी, पात्रता और चयन, राजनीतिक कारक — अंदर है, पर उसमें से किसी को भी किसी तथ्य ने नहीं छुआ। जहाँ सत्यनिष्ठा का जोखिम नहीं है, वहाँ उसे गढ़ना भी उतनी ही बड़ी गड़बड़ है जितनी उसे छिपाना।
और क्रिकेट कवरेज के लिए इस पूरे प्रसंग का बड़ा सबक़ यही है: हमारे पास संख्याओं की कमी नहीं, संख्याओं की उम्र की जानकारी की कमी है। आईसीसी की रैंकिंग बिना घरेलू-विदेशी प्रोफ़ाइल के वही करती है जो एक्सट्रैक्टर ने किया — पूरी, वैध, और भ्रामक। एक बल्लेबाज़ का औसत बिना यह बताए कि कितनी पारियाँ घर पर थीं और कितनी बाहर, एक ऐसा वाक्य है जिसका प्रारूप सही है और अर्थ अधूरा। बेटिंग-मार्केट में मैं ऑड्स को भविष्य की कीमत नहीं, अपेक्षा का प्रॉक्सी मानता हूँ; खाली पेलोड किसी भी चीज़ की कीमत नहीं लगा सकता, इसलिए यहाँ कोई बाज़ार-संकेत नहीं है और कोई सट्टा-सलाह भी नहीं।
कमरे की बात सही है, पर दिशा ग़लत है
इस मामले में कमरे की आम राय यह है कि मशीनें अब क्रिकेट बॉक्स में आ रही हैं और ख़तरा यह है कि वे संख्याएँ ग़लत लिखेंगी। मैं इस आधे हिस्से से सहमत हूँ और आधे से नहीं। ग़लत संख्या ख़तरनाक नहीं होती, क्योंकि ग़लत संख्या के सामने एरर-बार रखा जा सकता है, उसे चुनौती दी जा सकती है, उसका पोस्ट-मॉर्टम लिखा जा सकता है। 2026 का 62 प्रतिशत और 2026 का 91 प्रतिशत इसीलिए उपयोगी थे कि वे ग़लत साबित हुए और मुझे अपना मॉडल दोबारा लिखना पड़ा।
ख़तरा उस आउटपुट में है जो ग़लत नहीं, खाली है — पर हर प्रारूप-जाँच पास कर जाता है। ऐसी रिपोर्ट में कोई दावा नहीं होता जिसे झूठा ठहराया जाए, कोई नमूना नहीं जिस पर सवाल उठे, कोई अंतराल नहीं जिसे संकीर्ण कहा जाए। वह सबसे सुरक्षित और सबसे बेकार चीज़ है जो एक डेटा-डेस्क बना सकता है।
दूसरी बात जिसे कमरा नहीं कह रहा: हो सकता है एक्सट्रैक्टर ग़लत ही न हुआ हो। अगर मूल स्रोत वाक़ई एक स्कोरकार्ड था, या बारह सेकंड का वीडियो, या ऐसी पोस्ट जिसमें एक भी क्रिकेट-दावा नहीं था, तो शून्य सूचना-बिंदु लौटाना बिल्कुल सही आउटपुट था और ग़लती किसी और ने की — उस लेबल ने जिसने उसे "क्रिकेट लेख" कहकर भेज दिया। मेरा भरोसा यहाँ निम्न है, क्योंकि स्रोत देखे बिना मैं दोनों संभावनाओं को अलग नहीं कर सकता। पर दोनों हालत में मरम्मत की जगह एक ही है: ऊपर।
तीसरी बात, जो मुझे अपने बारे में लिखनी चाहिए। बीस साल से मैं कमरे के ख़िलाफ़ सही साबित होता आया हूँ और यह आदत महँगी है। जब भी कोई सर्वसम्मति दिखती है, मेरा पहला हाथ उसे छूट देने पर जाता है। यहाँ ऐसा करना बड़ी भूल होती। कमरे का यह कहना कि "पहले डेटा जाँचो, फिर कहानी लिखो" — यह राय नहीं, प्रक्रिया है, और यह सही है। जिस चीज़ को मैंने सर्वसम्मति समझा, वह असल में सर्वसम्मति नहीं थी; वह सिर्फ़ ऊँची आवाज़ में कहा गया एक तकनीकी नियम था। इन दोनों में फ़र्क़ करना मेरे काम का सबसे कठिन हिस्सा है।
और चौथी बात, जो मुझे सबसे ज़्यादा चुभी। जब मैंने फ़ाइल खोली, तो ख़तरा उस फ़ाइल में नहीं था। ख़तरा उस आदमी के हाथ में था जो उसे खोल रहा था और जिसका पहला विचार भरने का था। एक मॉन्क मार्केट से बहस नहीं करता। वह रिग्रेशन दोबारा चलाता है। और कभी-कभी रिग्रेशन का सबसे ईमानदार नतीजा यह होता है कि उसे चलाया ही न जाए, क्योंकि जिस तालिका पर चलाना था, वह मौजूद नहीं है।
आगे का सिग्नल
इस पूरे प्रसंग से बाहर आने वाली एक ठोस सिफ़ारिश है, और वह तकनीकी है: पहली मंज़िल पर सख़्त द्वार लगाओ। खाली सूचना-बिंदु, शून्य शीर्षक, अनसुलझी इकाई — तीनों में से कोई एक भी मिले तो रिपोर्ट नहीं, EXTRACTION_FAILED लौटे। साथ में यह टैग कि प्रारूप अज्ञात है, और यह रोक कि वह रिकॉर्ड किसी साझा डेटासेट में न जाए।
बाक़ी सवाल आपके लिए है। आज क्रिकेट कवरेज में जितनी संख्याएँ घूम रही हैं, उनमें से कितनी ऐसी हैं जिनकी उम्र किसी को पता नहीं, जिनका नमूना किसी ने नहीं लिखा, और जो सिर्फ़ इसलिए सच मानी जा रही हैं क्योंकि उनका प्रारूप साफ़-सुथरा है?
