खाली टेम्पलेट की खुदाई: क्रिकेट एनालिसिस पाइपलाइन में एक फेलियर आर्टिफैक्ट का मामला, और 'क्रिकेट_वर्ल्ड' का भरोसा टूटना

जब मैंने पहली बार यह आर्टिफैक्ट खोला — किसी एनालिसिस पाइपलाइन का स्टेज-1 आउटपुट — तो कपबोर्ड से जो बाहर गिरा, वह लेख नहीं था। वह एक खाली टेम्पलेट था। हर वह फील्ड जिसमें सामग्री होनी चाहिए थी, वह या तो खाली थी या 'एन/ए'। और चौंकाने वाली बात यह नहीं थी कि फील्ड खाली थीं। चौंकाने वाली बात यह थी कि उन खाली फील्ड के बीच, 'अतिरिक्त नोट्स' के खंड में, निर्देश लिखे हुए थे। वहां यह नहीं बताया गया था कि खोज में क्या मिला — वहां यह निर्देश था कि "ऊपर दिए गए सूचना बिंदुओं से पहचानें।" यह एक ऐसा फॉर्म था जो खुद को भरने की हिदायत दे रहा था, लेकिन जिसकी स्याही कभी छपी ही नहीं थी।

कोई भी पुराना रिपोर्टर जानता है कि खाली पेज एक कहानी होती है। लेकिन उसे सही ढंग से पढ़ने के लिए आपको पहले यह तय करना होता है कि वह किस चीज़ का खालीपन है। यह लेख के विषय का खालीपन नहीं था, बल्कि यह प्रक्रिया का खालीपन था। और चूंकि यह दस्तावेज़ीकरण की दुनिया है, और आप सब जानते हैं कि मैं स्कोरबुक, चयन पत्राचार और अग्रिम पंक्ति के रिपोर्टों का आदमी हूं, यह 'फेलियर आर्टिफैक्ट' मेरे लिए बेहद परिचित चीज़ है। क्रिकेट के रिकॉर्ड में पचास साल में मैंने ऐसे अनगिनत फॉरमैट देखे हैं जो पूरे भरे हुए थे लेकिन उनमें जान नहीं थी। लेकिन यह अलग था: यहां फॉरमैट में जान नहीं थी क्योंकि किसी ने उसे भरा ही नहीं था।

मुझे सबसे पहले यह देखना था कि यह पाइपलाइन क्या दे रही है। तो चलिए, यहां हम 'कोई समाचार लेख नहीं' पढ़ रहे हैं, बल्कि हम एक ऐसी प्रणाली का एक्स-रे कर रहे हैं जो एक क्रिकेट लेख को समझने का दावा करती है। एक ऐसा दावा जो, इस टेम्पलेट के आधार पर, पूरी तरह से नाकाम रहा है। इस एनालिसिस को क्रिकेट के नजरिए से देखना दिलचस्प हो जाता है क्योंकि क्रिकेट एक ऐसा खेल है जहां सूचना का हर टुकड़ा — स्ट्राइक रेट, ड्रॉप कैच, घुटने की चोट, चयन बैठक का लीक — एक तरह से 'एंटिटी' होता है। जब एक सिस्टम कहता है कि उसने क्रिकेट की दुनिया का लेख पढ़ लिया है, तो सबसे पहले आपको यह सवाल पूछना चाहिए कि उसने कितने एंटिटी निकाले। यहां जवाब है: शून्य।

यह और भी चौंकाने वाला है जब आप देखते हैं कि सभी डाउनस्ट्रीम फील्ड —- वन-सेंटेंस समरी, लेखक का रुख, उद्देश्य, लेख का प्रकार — सब सीधे उसी एक फील्ड से आते हैं जो खाली है। सूचना बिंदुओं की संख्या शून्य है। इसका मतलब है कि पाइपलाइन ने सामग्री के किसी भी हिस्से को नहीं पढ़ा। सारांश की जगह ब्लैंक, रुख के लिए एन/ए, प्रकार 'अवर्गीकृत'। यह वही स्थिति है जैसे एक स्कोरर मैच के बाद स्कोरबुक खोले और पाए कि उसने कोई रन दर्ज ही नहीं किया — सिवाय इसके कि यहां स्कोरर ने यह भी नहीं बताया कि कौन सा मैच था।

लेकिन यहां एक असली सुराग है, और मुझे लगता है कि यही इस पूरे मामले की एकमात्र उपयोगी पंक्ति है। फील्ड ऑडिट में एक विसंगति दिखती है: सिस्टम ने 'लेख का प्रकार' को 'अवर्गीकृत' बताया, लेकिन साथ ही 'डोमेन लेबल' आत्मविश्वास से cricket_world दे दिया। यह दो बातें एक साथ नहीं चल सकतीं। डोमेन वर्गीकरण, सामान्य तौर पर, प्रकार वर्गीकरण से बड़ा काम होता है। अगर सिस्टम यह बता सकता है कि यह क्रिकेट की दुनिया का लेख है, तो उसे यह भी बताना चाहिए कि यह मैच रिपोर्ट है या प्रीव्यू या कॉलम। जब वह नहीं बता पाया, लेकिन डोमेन पर आत्मविश्वास दिखा रहा है, तो इसका मतलब है कि डोमेन लेबल मेटाडेटा, URL स्लग, या सिर्फ एक कीवर्ड 'क्रिकेट' से लिया गया है, बॉडी टेक्स्ट से नहीं।

यह एक कमजोर नींव है। और यह मेरे लिए जाना-पहचाना है। 2026 में जब मैंने चिन्नास्वामी के स्टोर रूम की चाबियां मांगीं और चौदह सीजन के अंडर-16 स्कोरकार्ड डिजिटाइज किए, तो सबसे बड़ी सीख यही थी: एक लेबल लिखा होना और प्रमाण होना दो अलग चीजें हैं। एक फाइल पर 'केएससीए अंडर-16 2026-99' लिखा हो सकता है, लेकिन अंदर कागजात गायब हों। जब तक आप दो स्वतंत्र स्रोतों से मिलान नहीं करते, तब तक वह लेबल सिर्फ एक दावा है। यहां भी वही हुआ है — cricket_world एक दावा है, साक्ष्य नहीं।

तो cricket_world हमें क्या बताता है? यह बताता है कि विषय-क्षेत्र क्रिकेट है, लेकिन यह नहीं बताता कि क्रिकेट के किस रूप में। और क्रिकेट की दुनिया में शैली का प्रश्न महत्वपूर्ण है क्योंकि समय-संवेदनशीलता बहुत भिन्न होती है। एक मैच रिपोर्ट की उम्र घंटों में होती है — अगले दिन वह बासी है। एक प्रीव्यू की उम्र टॉस तक होती है। एक एनालिसिस कॉलम हफ्तों या महीनों तक चल सकता है। एक प्रशासनिक खबर — बोर्ड, आईसीसी, शेड्यूलिंग, वित्त — सालों तक प्रासंगिक रहती है। एक खिलाड़ी प्रोफाइल लगभग सदाबहार होती है। रैंकिंग या रिकॉर्ड सूची कुछ दिनों में खत्म हो जाती है। इसलिए जब सिस्टम यह बताने में विफल रहता है कि समय-संवेदनशीलता क्या है — और यहां वह स्पष्ट रूप से 'स्टेज 1 में मूल्यांकन नहीं' कह रहा है — तो यह सिर्फ एक छोटी चूक नहीं है। यह सबसे महत्वपूर्ण ट्राइएज निर्णय को असंभव बना देता है।

जब मैं 2026 में माउंट माउंगानुई में था, भारत की अंडर-19 टीम ऑस्ट्रेलिया को आठ विकेट से हरा रही थी, और शुभमन गिल 372 रन बना चुके थे, तो मेरे पास उस मैच की रिपोर्ट के लिए एक निश्चित समय-सीमा थी। उस रिपोर्ट को अगले दिन तक छापना था। लेकिन उसी सीजन के आंकड़ों का विश्लेषण — जो मैंने चार महीने बाद रूस में बैठकर किया — की अलग समय-सीमा थी। यदि मैं दोनों को एक ही तरह से देखता, तो गलती करता। क्रिकेट में समय-संवेदनशीलता केवल एक फील्ड नहीं है; यह तय करती है कि आप क्या लिख सकते हैं और कब तक।

इस टेम्पलेट में दूसरी बड़ी चूक स्रोत की गुणवत्ता है। फील्ड में लिखा है: "स्रोत फील्ड से आंकलन करें।" लेकिन कोई स्रोत फील्ड मौजूद ही नहीं है। न प्रकाशक, न बायलाइन, न तारीख, न URL। क्रिकेट एक ऐसा क्षेत्र है जहां भारी मात्रा में एग्रीगेशन, SEO ग्रंथ और सट्टेबाजी से जुड़ी सामग्री मौजूद है। इस तरह के माहौल में स्रोत की प्रामाणिकता ही सबसे बड़ा गुणवत्ता मानक है। अगर आप नहीं जानते कि लेख किसने लिखा, कब लिखा, और कहां प्रकाशित हुआ, तो आप उस पर भरोसा नहीं कर सकते। यह ऐसा ही है जैसे किसी खिलाड़ी का जन्म प्रमाण पत्र गायब हो — बाकी सब कुछ हो सकता है, लेकिन मूल दस्तावेज के बिना कोई भी दावा अधूरा है।

अब वह हिस्सा जिसे मैं 'काउंटर-इंट्यूटिव' मानता हूं, और जो शायद पाइपलाइन के डिजाइनरों को चौंकाए। जब एक सिस्टम इस तरह से विफल होता है — शून्य सूचना बिंदु, खाली सारांश, अवर्गीकृत प्रकार — तो सबसे आसान नतीजा यह निकालना है कि लेख में कुछ नहीं था। लेकिन यह निष्कर्ष गलत है। मेरे अनुभव में, जब एक पाइपलाइन गैर-रिक्त इनपुट से शून्य निष्कर्षण करती है, तो यह आमतौर पर इनपुट की विफलता नहीं, बल्कि एक्सेस की विफलता होती है। सबसे संभावित कारण: पेपरवॉल, जावास्क्रिप्ट-रेंडर किया गया पेज जो फेच नहीं हुआ, ट्रंकेटेड फेच, या सिर्फ हेडलाइन इनपुट के रूप में दिया गया। कोई भी वेब पेज जो ब्राउज़र में दिखता है, उसका बॉडी टेक्स्ट किसी न किसी रूप में मौजूद होता है। अगर सिस्टम उसे नहीं पढ़ पाया, तो समस्या सामग्री में नहीं, कनेक्शन में है।

यह बात मैं इसलिए जोर देकर कह रहा हूं क्योंकि मैंने खुद ऐसी स्थितियां देखी हैं। 2026 में जब लॉकडाउन ने अकादमी को ठप कर दिया, तो मैंने बालकनी से 32 अंडर-16 लड़कों के लिए 90 मिनट के वीडियो सेशन चलाए, 19 हफ्ते लगातार। उस दौरान कई बार वीडियो फुटेज खराब थी, ऑडियो कटा हुआ था। लेकिन हमने कभी यह नहीं कहा कि 'लड़के में प्रतिभा नहीं है'। हमने कहा कि 'कनेक्शन खराब है'। यही फर्क है। एक सिस्टम को भी यही फर्क समझना चाहिए। यहां स्टेज-1 ने 'कनेक्शन खराब' वाली गलती को 'प्रतिभा नहीं' वाली गलती में बदल दिया।

दूसरी बात जो मुझे परेशान करती है, वह है एंटिटी फील्ड में लिखा यह वाक्य: "ऊपर दिए गए सूचना बिंदुओं से पहचानें।" यह कोई निष्कर्ष नहीं है, यह प्रॉम्प्ट टेक्स्ट है। और यह अपने आप में एक संकेत है कि टेम्पलेट को मशीनी रूप से भरा गया है, बिना उसे सही ढंग से पॉप्युलेट किए। यह वैसा ही है जैसे कोई क्लर्क आपको एक फॉर्म दे और कहे, 'यहां अपना नाम लिखें' — और आप देखें कि फॉर्म पर पहले से ही 'यहां अपना नाम लिखें' छपा हुआ है, लेकिन नाम के लिए कोई जगह खाली नहीं है। आप समझ जाते हैं कि फॉर्म किसी और के लिए बनाया गया था, आपके लिए नहीं।

अब आगे की राह। सबसे पहले, इस आर्टिफैक्ट पर स्टेज-2 चलाना खतरनाक है। अगर आप ऐसा करेंगे, तो सिस्टम क्रिकेट के बारे में कुछ भी बना सकता है — टीमें, खिलाड़ी, कहानियां। यह एक ऐसी आपदा है जिसे रोकना जरूरी है। मेरी सलाह है कि एक सख्त गेट लगाया जाए: आगे बढ़ने के लिए कम से कम एक सूचना बिंदु और लेख प्रकार का गैर-शून्य होना अनिवार्य हो।

दूसरा, कच्चा इनपुट फिर से दें — पूरा बॉडी टेक्स्ट या कैनोनिकल URL। सबसे संभावित कारण पेपरवॉल, जावास्क्रिप्ट रेंडरिंग, या ट्रंकेटेड फेच है।

तीसरा, क्लासिफायर को निचली सीमा पर रीट्राई करें — 6 से 10 परस्पर अनन्य क्रिकेट शैलियों के साथ, और एक कॉन्फिडेंस स्कोर दें। 'अवर्गीकृत' एक वैध आउटपुट हो सकता है, लेकिन तभी जब उसके साथ कॉन्फिडेंस स्कोर हो और यह बताया जाए कि क्यों वर्गीकृत नहीं हो सका।

चौथा, हेडलाइन और लीड से ही न्यूनतम निष्कर्षण अनिवार्य करें। एक शीर्षक से भी एंटिटी और तारीख निकलती है। गैर-रिक्त इनपुट से शून्य निष्कर्षण एक बग है, नतीजा नहीं।

पांचवां, स्रोत फील्ड को स्पष्ट रूप से कैप्चर करें — प्रकाशक, बायलाइन, प्रकाशन तिथि, URL — इन्हें प्रथम-श्रेणी के फील्ड के रूप में रखें, क्योंकि स्रोत गुणवत्ता इन्हीं पर निर्भर है।

और अंत में, टेम्पलेट को ठीक करें। निर्देश स्ट्रिंग्स की जगह असली मूल्य या स्पष्ट null रखें, ताकि खाली आउटपुट को अपूर्ण टेम्पलेट से अलग पहचाना जा सके।

अब, इस सारे विश्लेषण का मूल तत्व क्या है? मैं आपको बताता हूं। यहां असली खोज यह नहीं है कि एक पाइपलाइन फेल हुई। असली खोज यह है कि एक सिस्टम ने अपनी विफलता को एक वैध उत्तर के रूप में प्रस्तुत किया। खाली फील्ड, एन/ए, 'अवर्गीकृत' — ये सब दिखते हैं जैसे मामूली चीजें हैं। लेकिन एक शोधकर्ता के लिए, यह ठीक वैसा ही है जैसे एक स्कोरबुक में खाली पन्ने मिलें, और कोई यह कहे कि 'मैच तो हुआ ही नहीं'। जबकि सच यह हो सकता है कि मैच हुआ, लेकिन स्कोरर ने लिखा नहीं। और अगर आप उस खालीपन को 'मैच नहीं हुआ' मान लेंगे, तो आप पूरे इतिहास को गलत पढ़ रहे हैं।

मैंने चिन्नास्वामी के उस कमरे में सात महीने बिताए, दो इंटर्न के साथ, चौदह सीजन के स्कोरकार्ड डिजिटाइज करते हुए। उनमें से कुछ सीजन के कागजात पूरी तरह से गायब थे। लेकिन मैंने कभी यह नहीं कहा कि उन सीजन में क्रिकेट नहीं खेला गया। मैंने कहा: 'इन सीजन का रिकॉर्ड नहीं बचा है।' यह एक निष्कर्ष है, छेद नहीं। और यही फर्क इस पूरी रिपोर्ट में है। सिस्टम ने 'रिकॉर्ड नहीं बचा' की जगह 'रिकॉर्ड था ही नहीं' कह दिया।

तो जब अगली बार कोई पाइपलाइन आपको 'क्रिकेट_वर्ल्ड' का लेबल दे और अंदर सब खाली हो, तो उसे एक निष्कर्ष मत मानिए। उसे एक सवाल मानिए: क्या आपने सामग्री पढ़ी, या सिर्फ शीर्षक देखा? और जब तक यह सवाल का जवाब न मिल जाए, तब तक उस लेबल पर भरोसा मत कीजिए। क्योंकि क्रिकेट में, जैसे जीवन में, सबसे खतरनाक चीज खाली पन्ना नहीं होता — सबसे खतरनाक चीज वह पन्ना होता है जिसे कोई भरा हुआ मान लेता है।