बारह फ़ील्ड, ग्यारह खाली: एक क्रिकेट डेटा पाइपलाइन का लेजर ऑडिट

फ़ाइल खोलने में चार सेकंड लगे, उसे पढ़ने में पैंतालीस मिनट। पहली नज़र में वह स्कोरकार्ड जैसी दिखी — बारह पंक्तियाँ, हर पंक्ति के सामने एक मान, ठीक वैसे ही जैसे 2026-84 में मैंने हार्डबाउंड लेजरों में कॉलम बनाए थे। दूसरी नज़र में गिनती बदल गई। बारह में से ग्यारह मान N/A थे। एक ही फ़ील्ड भरी हुई थी — Domain Label: cricket_world।

सत्ताईस मैच, चौदह महीने, ग्यारह सौ पन्ने — उस काम के दौरान मैंने कभी ऐसा पन्ना नहीं खोला जिसमें टूर्नामेंट का नाम बचा हो और मैच गायब हो। यही आज सामने था। टूर्नामेंट बचा है, मैच नहीं।

चार लेजर, एक सीज़न, और सच के तीन संस्करण — मेरी कार्यशैली का पहला सबक यही था। द हिंदू का स्कोरकार्ड, दक्कन हेराल्ड का स्कोरकार्ड, और आकाशवाणी की कमेंट्री के नोट्स; तीनों को साथ रखने पर जो अंतर उभरता था, वही असली खबर होती थी। यहाँ तुलना के लिए तीन संस्करण नहीं हैं। एक ही संस्करण है, और वह भी खाली।

मेरे पैंतालीस साल के स्कोरकार्ड पढ़ने के अनुभव के आधार पर एक बात पक्की है: टूटा हुआ रिकॉर्ड यह बताता है कि वह कहाँ टूटा है, बशर्ते टूटने की जगह दर्ज की गई हो। यह फ़ाइल उसी शर्त की परीक्षा है। इसे एक स्टेज-1 एक्सट्रैक्शन पाइपलाइन ने बनाया था, जिसका काम किसी भी सामग्री से ग्यारह मानक जानकारियाँ निकालना है — शीर्षक, स्रोत, प्रकार, एक-वाक्य सार, लेखक का रुख, लेख का उद्देश्य, सूचना बिंदु, शामिल संस्थाएँ, समय-संवेदनशीलता, स्रोत की गुणवत्ता। ग्यारह में से दस पर N/A, सूचना बिंदुओं पर खाली सूची, और संस्थाओं वाले खाने में एक वाक्य — identify from the information points above।

धारणाएँ पहले छापने की अपनी आदत के तहत साफ़ कर दूँ: यह जाँच इस दस्तावेज़ पर है, किसी मैच पर नहीं। मैं यहाँ किसी पारी, किसी स्पेल, किसी फ़ील्डिंग प्लेसमेंट का मूल्यांकन नहीं कर रहा, क्योंकि उस दस्तावेज़ में मैच ही नहीं है। जो नहीं है, उसका विश्लेषण नहीं होता; उसका हिसाब होता है। और यह हिसाब 2026 के औज़ारों से बना है। 2026 के फ़्रेम से इसकी तुलना करने पर नतीजा उलटा आएगा, क्योंकि तब गलती का इलाज़ कार्बन कॉपी और एक दूसरा पाठक होता था; आज स्क्रैपर सेलेक्टर और फ़ॉलबैक ब्रांच है।

तीन संभावित वजहें हैं, प्रायिकता के क्रम में, और हर एक के साथ वह सबूत जो इस एक नमूने पर उसे सही या ग़लत साबित करेगा। सबसे ऊपर फ़ेच परत की विफलता है। क्रिकेट की वेबसाइटें — लाइव ब्लॉग, स्कोरकार्ड, इंफ़ोग्राफ़िक — आज जावास्क्रिप्ट से बनती हैं। अगर एक्सट्रैक्टर का सेलेक्टर उस टेम्पलेट पर नहीं बैठा, तो उसे मिला साफ़ पन्ना, लंबाई शून्य। बॉडी शून्य हो तो नीचे के हर खाने को भरने का कच्चा माल ही नहीं बचता; N/A तब सूचना का विकल्प नहीं, अभाव का स्थानापन्न है।

दूसरी संभावना क्लासिफ़ायर का शॉर्ट-सर्किट है। प्रकार Unclassified आया — यह कोई वर्ग नहीं, विफलता का नाम है। अगर सार और रुख निकालने वाली शाखाएँ प्रकार के नीचे लटकी हैं, तो शाखा मिली नहीं और प्रोग्राम चुपचाप आगे बढ़ गया, सामान्य फ़ॉलबैक पर गिरने के बजाय। दस खाली खाने इसी चुप्पी की उपज हो सकते हैं। और यह चुप्पी इसलिए खतरनाक है कि यह शोर नहीं करती — पाइपलाइन चली, बैच पूरा हुआ, डैशबोर्ड हरा रहा।

तीसरी संभावना सबसे कम है, पर सबसे साफ़ सबूत छोड़ती है। संस्थाओं वाले खाने में बचा वाक्य किसी मॉडल ने नहीं लिखा; वहाँ किसी टेम्पलेट की डोरी बच गई। यह एक पंक्ति साबित करती है कि विफलता डेटा की परत में नहीं, प्रोसेस की परत में है — वह फ़ील्ड कभी चला ही नहीं, उसका खोल भर दिया गया। जो गायब था, वह उस नाम के नीचे दर्ज था जो किसी ने इस्तेमाल नहीं किया। लेजर ने गवाही देने से इनकार कर दिया, तो मैंने उसके हाशिये को समन भेजा — हाशिये में एक टेम्पलेट स्ट्रिंग मिली, और उतना ही काफ़ी था।

मुझे इस फ़ाइल से चाहिए बहुत कम है। पाँच से आठ तथ्य-वाक्य — कौन-सा मैच, किस तारीख़ को, क्या नतीजा, और किस अख़बार या वेबसाइट से। उतने से रुख, समय-संवेदनशीलता और स्रोत की गुणवत्ता, तीनों निकल आते, क्योंकि तीनों कच्चे तथ्यों से निकलते हैं, शीर्षक से नहीं। एक प्राथमिक दस्तावेज़ प्रति दावा — यही नियम है, और यहाँ प्राथमिक दस्तावेज़ ही नहीं है।

बीस साल पहले मैंने अपनी हर विश्लेषणात्मक रिपोर्ट के अंत में एक पैराग्राफ़ जोड़ना शुरू किया था — यह डेटा क्या नहीं दिखा सकता। उस आदत की जड़ 2026 की उस गर्मी में है, जब एक सूची पर रोक लगानी पड़ी थी, क्योंकि अनियमितता को साधारण खराब क्रिकेट से अलग करना उस डेटा से संभव नहीं था। इस फ़ाइल के साथ वह पैराग्राफ़ पूरा का पूरा खाली है, क्योंकि यह डेटा कुछ भी नहीं दिखा सकता। कोई खिलाड़ी नहीं, कोई पारी नहीं, कोई गेंद नहीं। इसलिए इस रिपोर्ट में किसी खिलाड़ी का नाम नहीं आएगा — यह मेरी असावधानी नहीं, इस रिकॉर्ड की हालत है।

एक बार की घटना हो तो यह तकनीकी शिकायत है। बैच में चल रही पाइपलाइन हो तो यह आर्काइव का मामला बन जाता है। एक सीज़न में तीन सौ मैच, और जिन बीस पर स्क्रैपर फिसला, वे सब इसी तरह दर्ज हुए। दो साल बाद कोई शोधकर्ता वह सूची खोलेगा और पढ़ेगा — इन बीस मैचों पर कोई कवरेज नहीं थी। उस सूची में वह पंक्ति नतीजे की तरह पढ़ी जाएगी, जबकि वह दोष का लेबल है। मैंने लेजर में खामोशी को अनुपस्थिति नहीं, एक डेटम पढ़ना सीखा, और डेटम को उसकी वजह के साथ दर्ज करना पड़ता है, वरना खामोशी झूठ बोलने लगती है।

सहज प्रतिक्रिया यह होगी कि स्टेज-1 का प्रॉम्प्ट सुधारा जाए, मॉडल बदला जाए, फ़ील्ड की परिभाषाएँ कसी जाएँ। मेरे हिसाब से यह उस जगह दवा देना है जहाँ चोट नहीं है। जो सबूत हाथ में है — बॉडी की संभावित लंबाई शून्य और टेम्पलेट स्ट्रिंग का बच जाना — दोनों ऊपरी परतों की ओर इशारा करते हैं। मॉडल तब तक तराशना बेकार है जब तक पता न चले कि उसे पढ़ने को मिला क्या था। यह वही ग़लती है जो 2026 की नीलामी शीट के साथ हुई थी: कई रातें मॉडल के वज़न ठीक करने में गईं, जबकि गड़बड़ चिन्नास्वामी की छोटी चौकोर सीमा के लिए दिए जा रहे समायोजन में थी, मॉडल में नहीं। आंकड़े साफ़ थे, धारणा गंदी थी।

दूसरी बात, इस एक नमूने से यह नहीं कहा जा सकता कि तीन में से कौन-सी वजह असली है। तीनों साथ भी हो सकती हैं — सेलेक्टर भी फिसला और क्लासिफ़ायर भी शॉर्ट-सर्किट हुआ। सहसंबंध से कारण नहीं निकलता, और एक फ़ाइल से निदान नहीं निकलता; निदान के लिए उसी सामग्री को कम से कम दो बार, दो अलग सेटिंग्स पर चलाना पड़ेगा।

सबसे पहला काम यह है — उसी सामग्री को अलग से, केवल एक्सट्रैक्टर पर चलाइए और बॉडी की लंबाई नापिए। शून्य आए तो बहस क्लासिफ़ायर पर बंद कीजिए, गड़बड़ फ़ेच में है। और जब तक वह नाप न आए, इस फ़ाइल से कोई क्रिकेट रिपोर्ट मत बनाइए। बारह सौ शब्द किसी ऐसे मैच पर, जिसका एक भी स्कोरकार्ड मेरे पास नहीं, बायलाइन के साथ गढ़ा गया तथ्य ही होगा।