खाली स्कीमा और भरा हुआ मैदान: जब डेटा पाइपलाइन चुपचाप मैच हार जाती है
**मुख्य उत्तर**: विश्लेषण रिपोर्ट में Stage-1 का आउटपुट पूरी तरह खाली था — केवल `cricket_world` डोमेन लेबल मौजूद था, जबकि शीर्षक, स्रोत, सारांश और सूचना-बिंदु सभी अनुपस्थित थे। इस कारण एंटिटी पहचान, लेखक का रुख़ और स्रोत-गुणवत्ता का आकलन संभव नहीं था। **मुख्य तथ्य**: - Stage-1 आउटपुट में शीर्षक `N/A`, स्रोत `Unclassified` और एक-पंक्ति सारांश खाली दर्ज था। - सूचना-बिंदुओं की सूची पूर्णतः खाली थी, जिससे सभी डाउनस्ट्रीम विश्लेषण असंभव हो गए। - एंटिटी और स्रोत-गुणवत्ता फ़ील्ड में 'उपरोक्त सूचना-बिंदुओं से पहचाना जाएगा' लिखा था — यानी आधार ही अनुपस्थित। - तीन संभावित कारण पहचाने गए: बॉडी-टेक्स्ट एक्सट्रैक्शन विफलता, ट्रंकेशन, और स्कीमा वैलिडेशन का अभाव। - केवल एक तथ्य सत्यापन-योग्य था — `cricket_world` लेबल — और उसकी भी कोई क्रॉस-वेरिफिकेशन उपलब्ध नहीं थी। **स्रोत**: मूल विश्लेषण रिपोर्ट, दिनांक अज्ञात (Stage-1 आउटपुट में तिथि दर्ज नहीं) | Cross-checked: cricsultan.com **संबंधित प्रश्नोत्तर**: - **प्रश्न**: खाली Stage-1 आउटपुट का सबसे संभावित कारण क्या है? **उत्तर**: सबसे संभावित कारण बॉडी-टेक्स्ट एक्सट्रैक्शन की विफलता है, जिसमें स्क्रैपर को पेज का खोल मिलता है, वास्तविक सामग्री नहीं। - **प्रश्न**: इस स्थिति में सही तकनीकी प्रक्रिया क्या होनी चाहिए थी? **उत्तर**: `information_points` फ़ील्ड की शून्य लंबाई पर स्कीमा वैलिडेशन को fail-fast त्रुटि देनी चाहिए थी, खाली ढाँचा आगे नहीं बढ़ना चाहिए था। - **प्रश्न**: इस विफलता का क्रिकेट रेफरींग से क्या संबंध है? **उत्तर**: जैसे DRS में बॉल-ट्रैकिंग डेटा के अभाव में थर्ड अंपायर निर्णय नहीं दे सकता, वैसे ही सूचना-बिंदुओं के अभाव में कोई भी विश्लेषणात्मक निष्कर्ष वैध नहीं हो सकता।
टेबल पर एक JSON फ़ाइल रखी थी जिसमें हर फ़ील्ड मौजूद था और हर फ़ील्ड खाली था। डोमेन लेबल cricket_world ठीक जगह बैठा था, बाकी सब कुछ ऐसा था जैसे कोई स्कोरकार्ड छप गया हो लेकिन कोई पारी दर्ज ही न हुई हो। पैंतालीस साल से मैं खेल की खबरें इसी तरह पढ़ती आई हूँ — पहले काग़ज़ पर, फिर ब्रॉडकास्ट रिसर्च ट्रक में, अब स्क्रीन पर — और यह मैंने सीखा है कि खाली फ़ील्ड कभी तटस्थ नहीं होता; वह हमेशा किसी अपस्ट्रीम गड़बड़ी का हस्ताक्षर होता है।
यह लेख किसी विकेट, किसी रिव्यू या किसी ऑक्शन बिड की कहानी नहीं है। यह उस पल की कहानी है जो किसी भी खेल डेस्क पर सबसे ज़्यादा अनदेखा किया जाता है: वह पल जब मशीन आपको बताती है कि उसने सब कुछ पढ़ लिया, और असल में उसने कुछ नहीं पढ़ा। 2026 के ईडन गार्डन सेमीफ़ाइनल की रात मैंने क्लाइव लॉयड के फ़ैसले को क्लॉज़ से उलटकर पढ़ा था; आज मुझे वही तरीक़ा एक ऐसे दस्तावेज़ पर लगाना है जिसमें कोई क्लॉज़ ही नहीं है।
संदर्भ
जिस रिपोर्ट की जाँच हम कर रहे हैं, वह दो चरणों में बनी थी। पहला चरण — Stage-1 — किसी भी पाठ को तोड़कर उसके अंदर से ठोस सूचना-बिंदु निकालता है: किसने क्या कहा, कौन-सा आँकड़ा किस तारीख़ का है, किस स्रोत से आया। दूसरा चरण इन बिंदुओं पर खड़ा होता है — एंटिटी पहचान, लेखक का रुख़, समय-संवेदनशीलता, स्रोत की गुणवत्ता। दूसरे चरण की पूरी इमारत पहले चरण की ईंटों से बनती है।
इस बार ईंटें आई ही नहीं।
Stage-1 का आउटपुट इस तरह था: शीर्षक N/A, स्रोत Unclassified, एक-पंक्ति सारांश खाली, लेखक का रुख़ N/A, और सूचना-बिंदुओं की सूची — जो पूरी रिपोर्ट का असली माल थी — बिल्कुल ख़ाली। सबसे चौंकाने वाली बात यह थी कि एंटिटी और स्रोत-गुणवत्ता वाले फ़ील्ड में साफ़-साफ़ लिखा था 'उपरोक्त सूचना-बिंदुओं से पहचाना जाएगा' — यानी सिस्टम ख़ुद मान रहा था कि जिस चीज़ से पहचान होनी थी, वह मौजूद नहीं है। एक सामान्य डेटा ढाँचा इस तरह के विरोधाभास को कभी पार नहीं होने देता। यहाँ उसे पार होने दिया गया।
मुख्य विश्लेषण: तीन जगहें जहाँ यह मैच हारा गया
मैंने अपने करियर में कई बार नियम-पुस्तिका को दोषी पाया है और कई बार अंपायर को। इस बार दोष किसी इंसान का नहीं, मार्ग का है। और मार्ग को समझने के लिए उसे तीन हिस्सों में तोड़ना पड़ता है।
पहला: बॉडी-टेक्स्ट एक्सट्रैक्शन। Jब कोई पेज जावास्क्रिप्ट से बनता है, या पे-वॉल के पीछे बैठा होता है, या एंटी-स्क्रैपिंग परत से घिरा होता है, तो स्क्रैपर को जो मिलता है वह 'खोल' होती है, 'सामग्री' नहीं। अख़बार की भाषा में कहें तो पत्रकार के हाथ में प्रेस रिलीज़ का लिफ़ाफ़ा आया है, अंदर का पेपर नहीं। Stage-1 का पार्सर उस खोल को पढ़ता है, उसमें कुछ नहीं पाता, और चुपचाप ख़ाली ढाँचा लौटा देता है। समस्या यह नहीं कि उसे कुछ नहीं मिला; समस्या यह है कि उसने 'कुछ नहीं मिला' को एक वैध आउटपुट की तरह सबमिट कर दिया।
दूसरा: ट्रंकेशन। यह सबसे सस्ती और सबसे आम ग़लती है। किसी पाइपलाइन में लंबाई की सीमा तय होती है — मान लीजिए दस हज़ार अक्षर — और अगर सफ़ाई के चरण में पाठ शून्य पर कट गया, तो नीचे के सारे मॉडल अपना काम ईमानदारी से करेंगे और ईमानदारी से कुछ नहीं कर पाएँगे। क्रिकेट में इसका एक सीधा उदाहरण है: DRS में जब बॉल-ट्रैकिंग का डेटा पहले फ़्रेम से ही न आए, तो थर्ड अंपायर कोई फ़ैसला नहीं सुना सकता, चाहे उसकी नीयत कितनी भी साफ़ हो। सिस्टम को यह कहना ही होगा कि 'इनपुट अपर्याप्त'। Stage-1 ने यह नहीं कहा।
तीसरा, और सबसे गंभीर: स्कीमा वैलिडेशन का न होना। कोई भी भरोसेमंद डेटा ढाँचा यह तय करता है कि कौन-सी फ़ील्ड अनिवार्य हैं। अगर information_points अनिवार्य है और उसकी लंबाई शून्य है, तो पाइपलाइन को वहीं रुक जाना चाहिए था — fail-fast, जैसे क्रिकेट में 'dead ball'। इसके बजाय ख़ाली ढाँचा आगे बढ़ता गया, दूसरे चरण तक पहुँचा, और वहाँ उससे वे निष्कर्ष निकाले जाने लगे जो निकल ही नहीं सकते थे। यह वही ग़लती है जो हम अंपायरिंग में बार-बार देखते हैं: निर्णय लेने से पहले यह तय न करना कि निर्णय लेने का अधिकार है भी या नहीं।
यहाँ मुझे साफ़ करना है कि असली ख़तरा 'खाली आउटपुट' नहीं है। असली ख़तरा वह अगला क़दम है जो एक कम अनुभवी विश्लेषक उठा लेता है: ख़ाली जगह को अपनी कल्पना से भरना। एक 'cricket_world' लेबल देखकर कोई भी लिख सकता है कि 'स्रोत मानता है कि मैच फ़िक्सिंग का मामला है' या 'लेखक का रुख़ बोर्ड के ख़िलाफ़ है' — और वह पूरा पैराग्राफ़ उस हवा पर खड़ा होगा जिसे किसी दस्तावेज़ ने दिया ही नहीं। मेरे पेशे में इसका नाम 'सोर्सेज़ से पता चला' है, और यह वही आदत है जिसके ख़िलाफ़ मैं चार दशक से लिखती आई हूँ। अगर आप उस पैराग्राफ़ की तरफ़ उँगली नहीं दिखा सकते जिस पर आरोप टिका है, तो आरोप प्रकाशित नहीं होता। यही नियम डेटा पर भी लागू है: अगर आप वह सूचना-बिंदु नहीं दिखा सकते जिस पर निष्कर्ष टिका है, तो निष्कर्ष लिखा नहीं जाता।
इस पूरे घटनाक्रम में जो एक चीज़ वाक़ई दर्ज है, वह है डोमेन लेबल। लेकिन उस पर भी मुहर नहीं लगाई जा सकती, क्योंकि उसे सत्यापित करने का कोई ज़रिया नहीं बचा। जब सबूत का एक ही टुकड़ा हो और उसकी पुष्टि करने वाला दूसरा टुकड़ा न हो, तो अदालत में वह 'अपुष्ट' कहलाता है। रिपोर्टिंग में उसका दर्जा 'अफ़वाह' होता है।
उलटा नज़रिया: क्या यह असल में गड़बड़ी नहीं, ईमानदारी है?
अब वह मोड़ जो मैं हर लेख में खोजती हूँ — और इस बार मुझे अपने ही तर्क को उलटना है, क्योंकि मान लीजिए कि सिस्टम ने जानबूझकर ख़ाली आउटपुट दिया। क्या यह डिज़ाइन की ख़ूबी नहीं है? एक ऐसा मॉडल जो यह मान लेता है कि 'कुछ नहीं मिला' का मतलब 'कुछ नहीं है', और जो उस ख़ाली जगह को भरने से इनकार कर देता है — क्या वह उस मॉडल से बेहतर नहीं जो आत्मविश्वास से भरी हुई बकवास पैदा करे?
मैं इसका सबसे मज़बूत रूप ख़ुद लिखती हूँ: हाँ, यह बेहतर है। एक सिस्टम जो अपनी अक्षमता की सीमा पहचानता है, किसी भी ऐसे सिस्टम से श्रेष्ठ है जो पूरी-पूरी कहानियाँ गढ़ लेता है। 2026 की उस रात भी मेरे पास जो था वह 'अपूर्ण' था — क्लॉज़ थे, पर भीड़ की नीयत का कोई दस्तावेज़ नहीं था। मैंने उसे 'अपूर्ण' कहकर पढ़ा, और वही मेरी सबसे ईमानदार रिपोर्ट थी।
लेकिन यह मज़बूत रूप टिकता नहीं। क्योंकि ईमानदारी का दावा तभी खड़ा होता है जब उसे मंच मिले — एक व्यवस्थित त्रुटि-संदेश, एक साफ़ चेतावनी कि 'इस पेज से सामग्री नहीं निकली, कारण बताएँ'। यहाँ वह चेतावनी नहीं थी। जो था, वह भरा हुआ ढाँचा था जिसमें सब कुछ 'लागू नहीं' लिखा था — और वह 'लागू नहीं' बिल्कुल वैसा ही दिखता है जैसे एक पूरी प्रक्रिया के बाद आया 'कोई विशेष जानकारी नहीं'। पहचानने में अक्षमता और 'कुछ नहीं मिला' — ये दो अलग बातें हैं, और एक अच्छा ढाँचा इन्हें कभी एक जैसा नहीं दिखाता। यही मेरी उस स्थिति से सबसे बड़ी असमानता है: 2026 में सब जानते थे कि डेटा अधूरा है। यहाँ सिर्फ़ ख़ाली फ़ील्ड को देखकर कोई यह भी नहीं बता सकता कि लेख पढ़ा ही गया या नहीं।
इसलिए मैं अपना पहला निष्कर्ष बदलती हूँ और अंतिम निष्कर्ष पर आती हूँ। गड़बड़ी 'ख़ाली आउटपुट' में नहीं है। गड़बड़ी इस बात में है कि ख़ाली आउटपुट को एक वैध परिणाम की तरह पारित होने दिया गया। क्रिकेट में अंतर यही होता है: एक बल्लेबाज़ का शून्य पर आउट होना एक वैध परिणाम है, लेकिन अगर स्कोरकार्ड यह न बताए कि वह कैसे आउट हुआ — LBW, कैच, रन आउट — तो वह स्कोरकार्ड अधूरा है और उसे सुधारा जाना चाहिए। Stage-1 ने शून्य बनाया, लेकिन यह नहीं बताया कि शून्य कैसे बना।

अनिश्चितता की स्पष्ट रेखा
मुझे यह भी लिखना है कि मैं क्या नहीं जानती। नहीं जानती कि असली पाठ कितना लंबा था — यह देखे बिना कि स्रोत से कितने अक्षर निकले, यह तय करना असंभव है कि गड़बड़ी स्क्रैपर में हुई या बीच के किसी ट्रंकेशन में। नहीं जानती कि क्या ख़ाली सूची को किसी ऐसे लेख से बदला जा सकता था जो वाक़ई क्रिकेट से जुड़ा हो — जब तक मूल पाठ न मिले, cricket_world लेबल पर भी सवाल बना रहेगा। और नहीं जानती कि information_points फ़ील्ड अनिवार्य है या वैकल्पिक — अगर वैकल्पिक है, तो तर्क पूरी तरह बदल जाता है। जो बात मेरा निष्कर्ष बदल सकती है, वह यह है: अगर ढाँचे में एक 'extraction_failed' फ़्लैग पहले से मौजूद था और वह ट्रिगर ही नहीं हुआ, तो यह डिज़ाइन दोष नहीं, बल्कि कार्यान्वयन दोष है — और दोनों का इलाज बिल्कुल अलग है।
आगे की राह
जब भी किसी खेल डेस्क पर कोई ऑटोमेटेड रिपोर्ट आए और उसमें सब कुछ 'उपलब्ध नहीं' लिखा हो, तो सवाल यह नहीं पूछना चाहिए कि 'क्या नहीं मिला'। सवाल यह पूछना चाहिए कि 'कितने अक्षर मिले'। उसी गिनती से पता चलेगा कि खेल मैदान पर हारा या स्कोरकार्ड की दुकान में। और जिस दिन पाइपलाइनें अपनी अक्षमता को उतनी ही साफ़ घोषित करने लगेंगी जितना वे अपनी सफलता घोषित करती हैं, उस दिन हमें ख़ाली ढाँचों से डरने की ज़रूरत नहीं रहेगी — तब तक, हर ख़ाली फ़ील्ड एक अनुत्तरित प्रश्न है, और हमारा काम उसे उत्तर दिखाकर छोड़ना नहीं, उसे प्रश्न की तरह दर्ज करना है।
