बोगुड़ा की मछली मंडी रिपोर्ट क्रिकेट डेटासेट में कैसे घुसी: एक वर्गीकरण विफलता का पोस्टमार्टम

मंगलवार की दोपहर, नौ फ्रेम का एक फोटो गैलरी, और शीर्षक में 'cricket_asia'। जब मैंने पहली बार यह फ़ाइल खोली, तो स्क्रीन पर मछलियाँ थीं और लेबल पर क्रिकेट था। यही इस टुकड़े की असली कहानी है — पिच की नहीं, पाइपलाइन की।

बांग्लादेश के बोगुड़ा जिले के सदर उपजिला में देकरा गाँव के पास चांदेर बाज़ार में, नुरुइल बील से आ रही छह प्रजातियों की मछलियाँ दोपहर से शाम तक बिकती हैं। टाइटल में provenance है — 'fresh fish from Nuruil beel' — और कीमत में मामूली प्रीमियम। बस इतना। इस पूरे विवरण में क्रिकेट का एक भी अणु नहीं है — न टीम, न खिलाड़ी, न बोर्ड, न लीग, न मैच, न नियम, न प्रसारण अधिकार। फिर भी यह आइटम 'cricket_asia' लेबल के साथ दो पाइपलाइन चरणों से निकल गया।

यह शायद भ्रम की बात लगे, लेकिन मेरे लिए यह परिचित है। 2026 में जब मैंने दिल्ली के एक डिजिटल आउटलेट के लिए विन-प्रोबेबिलिटी डेस्क खड़ी की थी, तो हमारी सबसे बड़ी समस्या मॉडल नहीं थी — हमारी सबसे बड़ी समस्या डेटा इनपुट की स्वच्छता थी। एक गलत लेबल पूरे क्वार्टर के आउटपुट को दूषित कर सकता है। हैदराबाद में 21 मई 2026 की रात, जब मुंबई इंडियंस ने 129/8 बचाकर राइजिंग पुणे सुपरजायंट को एक रन से हराया, तब मेरा मॉडल 12वें ओवर पर पुणे को 87% पर रख रहा था। वह पूर्वानुमान और अंतिम नतीजा — दोनों असली थे। लेकिन उसी साल, एक फीड में ऐसा आइटम आया जिसमें 'cricket' टैग था और सामग्री कबड्डी की थी। एक रात की मेहनत बर्बाद। डेटा की दुनिया में सबसे महंगी चीज़ मॉडल नहीं, लेबल होता है।

अब इसे ठीक से समझिए। इस रिपोर्ट की सामग्री अपने आप में दोषपूर्ण नहीं है। यह एक साफ-सुथरा, सुसंगत सूक्ष्म-आर्थिक विगनेट है। इसमें बाज़ार का नाम है, गाँव है, उपजिला है, जलनिकाय है, प्रजातियों की सूची है, व्यापार की समय-खिड़की है, और मांग का चालक है। छह प्रजातियाँ — मोला, पुटी, टाकी, शोल, कोई, मेनी — बांग्लादेशी बील की क्लासिक Small Indigenous Species असेंबलज हैं। मोला (Amblypharyngodon mola), पुटी (Puntius spp.), टाकी (Channa punctata), शोल (Channa striata), कोई (Anabas testudineus) — यह खाद्य सुरक्षा साहित्य में सूक्ष्मपोषक घनत्व के लिए मान्यता प्राप्त समूह है। 'मेनी' का टैक्सोनॉमिक मानचित्रण अनिश्चित है, क्योंकि ट्रांसलिटरेटेड स्थानीय नाम से प्रजाति की पुष्टि नहीं होती। यह बायोडायवर्सिटी डेटा है, प्रदर्शन डेटा नहीं।

और यहीं असली समस्या है। इस आइटम में हर सूचना बिंदु पर स्रोत 'None' है — न आउटलेट, न बायलाइन, न डेटलाइन। एक भी नामित क्रिकेट इकाई नहीं। एक भी संख्या नहीं। कीमत के बारे में सिर्फ इतना कहा गया है कि वे 'थोड़ी अधिक' हैं — कोई आंकड़ा नहीं, कोई आधार रेखा नहीं, कोई तुलना बाज़ार नहीं। नौ फ्रेम, एक दुकान, एक दोपहर। इसे बोगुड़ा की मछली अर्थव्यवस्था का प्रतिनिधित्व बताना ठीक वैसा ही है जैसे एक टी20 पारी के 12 गेंदों से किसी बल्लेबाज का करियर आँक लेना। बील-आधारित आपूर्ति मौसमी है — शुष्क मौसम में सिकुड़ती है, मानसून में फैलती है — और 12 फोटो फ्रेम उस मौसमी प्रोफ़ाइल को नहीं पकड़ सकते।

मेरे अनुभव में, यह वर्गीकरण विफलता तीन तरह से नुकसान करती है। पहला, यह क्रिकेट कॉर्पस में झूठा सकारात्मक संकेत इंजेक्ट करती है — बांग्लादेश-संबंधित वॉल्यूम काउंट बढ़ जाते हैं जबकि वास्तविक क्रिकेट सामग्री शून्य है। दूसरा, यह स्रोत-अपारदर्शिता को छुपाती है; 'cricket' लेबल होने से कोई यह मान लेता है कि आइटम स्क्रीनिंग से गुज़रा है। तीसरा, और सबसे खतरनाक, यह आगे के निष्कर्षों में विश्वास पैदा करती है जो आँकड़ों से नहीं, लेबल से आते हैं।

यहाँ एक पल के लिए मैं काउंटर-इंट्यूटिव हो जाता हूँ। हम सब यह मानकर चलते हैं कि गलत लेबल शोर है। मेरा दावा है कि गलत लेबल शोर से ज़्यादा खतरनाक है — यह झूठी व्यवस्था है। शोर को आप फ़िल्टर कर सकते हैं। झूठी व्यवस्था को आप मॉडल में शामिल कर लेते हैं। इस आइटम के साथ समस्या यह नहीं कि यह क्रिकेट नहीं है। समस्या यह है कि इसे क्रिकेट बताया गया, और किसी ने दो चरणों तक पूछा नहीं। अगर इसी बैच में ऐसे और 'cricket_asia' आइटम हैं जिनमें शून्य क्रिकेट इकाइयाँ हैं, तो बैच-स्तरीय त्रुटि दर पूरे कॉर्पस की विश्वसनीयता पर सवाल उठाती है।

उपाय साफ़ है: इनजेशन से पहले एक कठोर द्वार। कोई भी आइटम 'cricket_*' लेबल तभी पाए जब उसमें कम से कम एक नामित क्रिकेट इकाई हो — टीम, खिलाड़ी, बोर्ड, लीग, मैच, नियम, या प्रसारण। एक इकाई, एक पंक्ति में। यह जटिल नहीं है। यह वही अनुशासन है जो मैंने अपनी डेस्क पर लागू किया था — हर दावे के साथ एक टाइमस्टैम्प, हर पूर्वानुमान के साथ एक तारीख। मॉडल ने हैदराबाद का एक-रन वाला फाइनल नहीं भविष्यवाणी की थी; उसने बस समझाया कि हमें इसे आते हुए देखना चाहिए था। वैसे ही, डेटासेट ने यह वर्गीकरण विफलता नहीं की; उसने बस दिखाया कि हमारा द्वार कहाँ खुला था।

टीमों की बात करें तो बांग्लादेश क्रिकेट का ढांचा — BCB, BPL, घरेलू पिरामिड — इस आइटम में कहीं नहीं है। राजशाही डिवीज़न बांग्लादेश की घरेलू संरचना में योगदान देता है, लेकिन इस लेख में उसका कोई सबूत नहीं। यह लिंक बनाना तथ्य नहीं, निर्माण होगा। और रोचक बात यह है कि एकमात्र वैध ट्रांसमिशन श्रृंखला जो यहाँ मौजूद है वह क्रिकेट की नहीं है: बील से पकड़ → सड़क किनारे सीधी बिक्री → ग्रामीण घरेलू नकद आय। छोटी मात्रा, दैनिक चक्र, मौसमी उतार-चढ़ाव। बस इतना।

एक पुल ज़रूर है — ग्रामीण आय स्तर यह तय करते हैं कि कोई परिवार बच्चे को क्रिकेट अकादमी भेज सकता है या नहीं। यह संरचनात्मक रूप से असली है। लेकिन इस आइटम में इसका कोई सबूत नहीं है। इसे परिकल्पना के रूप में दर्ज कीजिए, निष्कर्ष के रूप में नहीं।

मेरी लेजर फ़ाइल में यह प्रविष्टि इस तरह दर्ज होगी: श्रेणी — पाइपलाइन अखंडता; निर्णय — तत्काल पुनर्वर्गीकरण; आगे की कार्रवाई — उसी Stage-1 बैच का ऑडिट। क्योंकि 36 ऑल आउट कोई आउटलायर नहीं था; वह एक फॉरेंसिक ट्रेल था जिसे हमने पढ़ने से इनकार कर दिया था। ठीक वैसे ही, एक मछली मंडी की फोटो गैलरी क्रिकेट कॉर्पस में कोई दुर्घटना नहीं है। यह हमारे द्वार की विफलता का रसीद है। अगली बार जब कोई लेबल 'cricket' कहेगा, तो सवाल यह नहीं होगा कि क्या यह दिलचस्प है। सवाल यह होगा: क्या इसमें एक भी खिलाड़ी का नाम है?

इस मॉडल ने तीन फ्रेम में जो समझा, उसे तीन साल में कोई एडिटर नहीं समझ पाया: लेबल वही सच है जो पहले लिखा जाता है। बाकी सब बाद की कहानी है।