खाली शेल, भरा स्कीमा: क्रिकेट एनालिटिक्स की वह विफलता जो सबसे ज़्यादा भरोसेमंद दिखती है

रात के दो बजकर चालीस मिनट। दिल्ली के एक फ्लैट की बालकनी से नीचे सड़क पर सिर्फ़ एक ट्रक खड़ा है, और अंदर लैपटॉप की स्क्रीन पर एक JSON फ़ाइल खुली है। बारह फ़ील्ड। ग्यारह भरी हुईं — आर्टिकल टाइप, डोमेन लेबल, एंटिटीज़ का निर्देश-पाठ, स्कीमा वर्ज़न। बारहवीं एक खाली लिस्ट है, और उसका नाम है information_points।

यह फ़ाइल अपने स्कीमा के हिसाब से सौ फ़ीसदी सही है। अपने कंटेंट के हिसाब से शून्य फ़ीसदी है। एक खाली फ़ाइल ईमानदार होती है — वह खुद को खाली बताती है। एक भरी हुई फ़ाइल भी ईमानदार हो सकती है। ख़तरा उस फ़ाइल में है जो भरी हुई दिखती है और अंदर से खाली है, क्योंकि उसका अगला पड़ाव कोई इंसान नहीं, एक भाषा-मॉडल है। और भाषा-मॉडल का पहला काम खाली जगह भरना है।

क्रिकेट की कवरेज पर अठारह साल से नज़र रखने के बाद मुझे लगता है कि इस साल की सबसे ज़रूरी क्रिकेट ख़बर किसी बल्लेबाज़ के शतक की नहीं है। वह एक खाली लिस्ट की है।

यह पाइपलाइन असल में क्या है

पिछले छह-सात सालों में क्रिकेट का जो भी नंबर आपके फ़ोन तक पहुँचता है — फ़ैंटेसी ऐप का प्रोजेक्टेड स्कोर, ब्रॉडकास्ट की "प्रोबेबिलिटी ऑफ़ विन" पट्टी, अख़बार की "पाँच बातें जो मैच ने बताईं", और बेटिंग डेस्क की सुबह की शीट — वह सब अब दो-चरणीय पाइपलाइन से गुज़रता है। पहला चरण किसी स्रोत लेख से परमाणु तथ्य निकालता है, जिन्हें information points कहा जाता है। दूसरा चरण उन तथ्यों पर तर्क करता है और नतीजा निकालता है।

पहला चरण अगर अपना काम ठीक से करे, तो दूसरे चरण के पास पकड़ने के लिए ठोस चीज़ें होती हैं — फ़ॉर्मेट, स्कोर, वेन्यू, तारीख़, हेड-टू-हेड, चोट की स्थिति। मेरी बनाई हर शीट इसी लॉजिक पर चलती है। करोल बाग की उस चौथी मंज़िल पर, मोबाइल की दुकान के ऊपर वाले डेटा डेस्क पर, हम 2026 के आईपीएल में साठों मैच गेंद-दर-गेंद दर्ज करते थे, और हर संख्या के पीछे एक सैंपल साइज़ और एक एरर बैंड लिखा जाता था। यही अनुशासन पाइपलाइन में भी लागू होता है: जो तथ्य नहीं है, उसकी जगह खाली रहनी चाहिए।

अब उस रात की फ़ाइल पर लौटिए। डोमेन लेबल में cricket_world लिखा है, जबकि पाइपलाइन की शब्दावली में यह जगह सिर्फ़ Cricket स्वीकारती है। यह बारीकी नहीं है। यह कंट्रोल्ड वोकैबुलरी का उल्लंघन है — यानी तय की गई शब्दावली के बाहर का शब्द। जो भी डाउनस्ट्रीम राउटिंग, टेम्पलेट चयन या डोमेन-वार एग्रीगेशन इस लेबल स्ट्रिंग पर टिका है, वह चुपचाप मैच होना बंद कर देगा। ग़लती की आवाज़ नहीं आएगी। रिकॉर्ड गलत टोकरी में गिरता जाएगा, और कोई शिकायत दर्ज नहीं होगी।

विफलता का फ़िंगरप्रिंट

मुझे इस रिकॉर्ड में सबसे दिलचस्प चीज़ यह लगी कि कौन-सी फ़ील्ड बचीं। आर्टिकल टाइप मौजूद है, अनक्लासिफ़ाइड है। डोमेन लेबल मौजूद है, गलत है। एंटिटीज़ इन्वॉल्व्ड की फ़ील्ड में एक निर्देश लिखा है — "ऊपर दिए गए इन्फ़ॉर्मेशन पॉइंट्स से पहचानें" — जबकि वे पॉइंट्स ही नहीं हैं। यानी ढाँचा ज़िंदा है और सामग्री मरी हुई है।

यह पैटर्न रैंडम नहीं है, और यही इसे डायग्नोस्टिक बनाता है। स्कीमा-स्तर की हर फ़ील्ड भरी हुई है क्योंकि वे अनुरोध से आती हैं। कंटेंट-स्तर की हर फ़ील्ड खाली है क्योंकि वे दस्तावेज़ से आती हैं। यानी विफलता कंटेंट लेयर पर हुई है, स्कीमा लेयर पर नहीं। इसका मतलब डिबगिंग की सतह काफ़ी छोटी है। तीन संभावित कारण बनते हैं: स्रोत दस्तावेज़ कभी मिला ही नहीं — पेवॉल, 403, जावास्क्रिप्ट से बना खोखला पेज; या दस्तावेज़ मिला लेकिन ग़ैर-लैटिन लिपि में था और चुपचाप गिर गया; या अपस्ट्रीम ट्रंकेशन ने बॉडी काट दी और एक्सट्रैक्टर ने ईमानदारी से "कुछ नहीं मिला" रिपोर्ट किया।

तीसरा कारण सबसे महंगा है, क्योंकि उसमें सिस्टम झूठ नहीं बोलता — वह सच बोलता है और सच को कोई पढ़ता नहीं। पाइपलाइन हाइजीन की जो एक शर्त मैं अपनी टीम में सबसे पहले लागू करता हूँ, वह यह है: EMPTY_DOCUMENT और NO_CONTENT_FOUND को अलग-अलग दर्ज करो। एक कहता है दस्तावेज़ मिला ही नहीं; दूसरा कहता है दस्तावेज़ मिला और उसमें तथ्य नहीं थे। पहला रिट्रीवल की गलती है, दूसरा लेखक की। दोनों को एक ही कोड में मिला देना वही ग़लती है जो मैं स्कोरकार्ड में कभी नहीं करता: कैच और रन-आउट को एक कॉलम में नहीं लिखा जाता, क्योंकि उनका सुधार अलग-अलग जगह से आता है।

खाली शेल का असली नुक़सान: वेरिएंस का सिकुड़ना

यहाँ मुझे एक सोच-प्रयोग करना है, और मैं साफ़ बता रहा हूँ कि यह मापा हुआ आँकड़ा नहीं, अनुमानित अंकगणित है। मान लीजिए किसी क्रिकेट डोमेन के एग्रीगेट में दो से चार फ़ीसदी रिकॉर्ड ऐसे खाली शेल हैं जो EXTRACTION_FAILED के बजाय सामान्य रिकॉर्ड बनकर घुस गए। पहली नज़र में नुक़सान छोटा लगता है। दो फ़ीसदी क्या है चार हज़ार मैचों के डेटाबेस में — अस्सी रिकॉर्ड।

लेकिन बायस की दिशा रैंडम नहीं होती। खाली शेल डिफ़ॉल्ट रूप से शून्य या न्यूट्रल वैल्यू लेकर आते हैं। शून्य माध्य को अपनी ओर खींचता है, और जो चीज़ माध्य को खींचती है वह वेरिएंस को भी सिकोड़ती है। वेरिएंस का सिकुड़ना ही असली चोट है। आपका कॉन्फ़िडेंस इंटरवल पतला हो जाता है। आपका मॉडल ठीक उसी जगह ज़्यादा आत्मविश्वासी दिखने लगता है जहाँ उसे सबसे कम पता है। यानी जिस एरर बैंड को मैं हर संख्या के साथ छापता हूँ, वह अंदर से खोखला हो जाता है — और वह अब भी छप रहा होता है, क्योंकि उसे छापने वाला सिस्टम जानता ही नहीं कि उसने कुछ खो दिया है।

करोल बाग में पार-स्कोर एक अफ़वाह था, जिसे इतनी बार दोहराया गया कि वह संख्या बन गया। खाली शेल वही काम करते हैं, बस ज़्यादा तेज़ी से और ज़्यादा साफ़-सुथरे ढाँचे में। कोई कमेंटेटर यह नहीं कहता कि "यह पार स्कोर है क्योंकि हमने तीन मैच देखे"; वह सिर्फ़ कहता है "यह पार स्कोर है", और अगले हफ़्ते वह वाक्य डेटाबेस में दर्ज हो जाता है। अस्सी खाली रिकॉर्ड का काम यही है: वे किसी तथ्य को नहीं, किसी आदत को मज़बूत करते हैं।

टेम्पलेट-कम्प्लीशन से भ्रम कैसे पैदा होता है

अब वह हिस्सा जिसकी वजह से मैं यह लेख लिख रहा हूँ। भरे हुए स्कीमा और खाली कंटेंट का यह जोड़ एक ज्ञात ट्रिगर है। भाषा-मॉडल को जब ढाँचा पूरा मिलता है और सामग्री शून्य, तो उसका प्रशिक्षण उसे खाली जगह भरने की ओर धकेलता है। उसे cricket_world दिया गया है, इसलिए वह क्रिकेट के बारे में लिखेगा। और वह वही लिखेगा जो क्रिकेट कवरेज की सबसे आम, सबसे सुरक्षित, सबसे गोल-मटोल सामग्री है: ओस, टॉस, स्क्वेयर बाउंड्री, और कहीं से आया हुआ एक प्रोबेबिलिटी आँकड़ा।

यही मेरी सबसे बड़ी आपत्ति है। नतीजा एक ऐसा पैराग्राफ़ होता है जो पढ़ने में मेरे लिखे से बेहतर लग सकता है, क्योंकि उसमें कोई झिझक नहीं होती। मेरे हर वाक्य में एक एरर बैंड लगा होता है, इसलिए मेरा लिखा हमेशा थोड़ा कमज़ोर दिखता है। मशीन का भरा हुआ पैराग्राफ़ कभी कमज़ोर नहीं दिखता, क्योंकि उसने अपनी अनिश्चितता कभी दर्ज ही नहीं की।

मेरे पास इसका अपना संस्करण है, और मैं उसे दोहराता रहता हूँ क्योंकि वही मेरे काम का सबसे ईमानदार हिस्सा है। 21 मई 2026, आईपीएल फ़ाइनल, हैदराबाद। मेरा फ़र्स्ट-इनिंग्स पार-स्कोर मॉडल, जिसे मैंने उस सीज़न के साठों मैच गेंद-दर-गेंद दर्ज करके बनाया था, आख़िरी ओवर बाक़ी रहते राइज़िंग पुणे सुपरजायंट को 62 फ़ीसदी जीत दे रहा था। मुंबई इंडियंस ने 129 बचाया और एक रन से जीत लिया। मैं अगले छह हफ़्ते अकेला बैठा रहा और डेथ-ओवर मॉड्यूल दोबारा बनाया। उसके बाद मैंने सिंगल-नंबर प्रेडिक्शन छापना बंद कर दिया। अब हर आँकड़े के साथ सैंपल साइज़ और रेंज आती है — "मॉडल 62 फ़ीसदी कहता है, और यह वह बीस अंकों की रेंज है जिसमें वह रहता है।" एडिटरों ने मेरे ड्राफ़्ट आधे काट दिए और डेस्क के क्लाइंटों ने उन्हें दोगुना ध्यान से पढ़ा।

काज़ान जून 2026 में मैं एक मॉडल को सार्वजनिक रूप से विफल होते देखने गया था। वह शिक्षाप्रद था। दिल्ली के एक रिस्क डेस्क ने वर्ल्ड कप की कीमत तय करने के लिए मुझे रखा था। तीन हफ़्तों में बना मेरा xG-और-PPDA ढाँचा जर्मनी को नॉकआउट में पहुँचने का 91 फ़ीसदी मौक़ा दे रहा था। 27 जून को दक्षिण कोरिया ने जर्मनी को 0-2 से हराया और वे बाहर हो गए। उस टूर्नामेंट के रिकॉर्ड 12 ओन गोल ने मेरा टोटल्स मॉडल भी तोड़ दिया। मैंने ग्रुप स्टेज अपने कॉल्स पर 68 फ़ीसदी पर बंद किया और वेरिएंस की मान्यताएँ शून्य से दोबारा लिखीं।

उस विफलता और उस रात की JSON फ़ाइल में एक ही चीज़ समान है। दोनों में सिस्टम ने भरोसेमंद दिखने वाला जवाब दिया। फ़र्क़ यह है कि काज़ान में मॉडल ग़लत था और उसने अपनी ग़लती दर्ज की; उस फ़ाइल में मॉडल ने कोई जवाब दिया ही नहीं, और उसकी जगह भरने वाला कोई और है जो अपनी ग़लती दर्ज नहीं करेगा।

2026 में जब रिस्क डेस्क बंद हुआ और कैलेंडर खाली हो गया, तो मैंने पाँच महीने चार हज़ार टी20 मैचों का निजी डेटाबेस बनाने में लगाए। आईपीएल जब सितंबर में यूएई शिफ़्ट हुआ, तो खाली स्टैंड्स ने भीड़ के दबाव का वेरिएबल ही हटा दिया। मेरे रिग्रेशन ने पाया कि दुबई में दूसरी पारी का वेरिएंस टीम की ताक़त से ज़्यादा टॉस और शाम की ओस से समझाया जा रहा था। बाईस हज़ार खाली सीटें, और होम एडवांटेज चुपचाप शून्य तक राउंड डाउन हो गया। मैंने नौ हज़ार शब्दों का नोट छह हफ़्ते देर से भेजा। चालीस सब्सक्राइबर 10 नवंबर के फ़ाइनल तक 3,100 हो गए थे।

इस पूरे सफ़र में मैंने एक ही आदत बनाई: मैं भाग्य के लिए एक कॉलम रखता हूँ। वह फ़ाइल का सबसे ईमानदार कॉलम है। खाली शेल की समस्या यह है कि उसमें भाग्य का कॉलम ही नहीं है — और जहाँ भाग्य का कॉलम नहीं, वहाँ सब कुछ कौशल लगने लगता है।

कमरे की बात, और उसकी कीमत

अब उस आपत्ति को तौलिए जो हर बार आती है: मॉडल टूटा हुआ है, ऑटोमेशन बंद करो, सब-एडिटर वापस बिठाओ। कमरे की बात को मैं शोर नहीं, सबूत मानकर पढ़ता हूँ। और इसमें वह कुछ सही देख रहा है — ऑटोमेटेड क्रिकेट कंटेंट का औसत स्तर ख़राब है, और वह ख़राब इसलिए है क्योंकि उसने कभी अपनी अनिश्चितता दर्ज नहीं की।

लेकिन "मॉडल ग़लत है" और "रिट्रीवल टूटा हुआ है" दो अलग निदान हैं, और उनका इलाज अलग है। एक्सट्रैक्टर हटा देने से कुछ ठीक नहीं होता; गढ़ने का काम मशीन से डेस्क पर चला जाता है, जहाँ उसका ऑडिट करना और मुश्किल है। सब-एडिटर अपने खाली स्थानों का लॉग नहीं रखता। मशीन, अगर आप उससे कहें, तो रखती है।

दूसरी बात, जो मुझे कमरे से ज़्यादा चुभती है: क्रिकेट की कवरेज खुद दशकों से टेम्पलेट-कम्प्लीशन पर चल रही है। "बड़े मैच का टेम्परामेंट", "उसे ज़्यादा चाहिए था", "भीड़ ने उठा लिया", "दबाव में घुटने टेक गए" — ये सब खाली फ़ील्ड हैं जिनमें एक विश्वसनीय-सा स्ट्रिंग भर दिया गया है। ब्रॉडकास्ट बूथ दुनिया का पहला हेलुसिनेटिंग एक्सट्रैक्टर है, और वह अपनी गलती कभी नहीं छापता। एक पूरी पीढ़ी की क्रिकेट-समझ इन भरे हुए खाली स्थानों पर बनी है। यही कारण है कि जब मैं किसी कॉलैप्स की व्याख्या वर्कलोड, सेलेक्शन, शेड्यूलिंग और सूचना-असमानता से करता हूँ, तो लोग मुझे ठंडा समझते हैं। मैं ठंडा नहीं हूँ; मैं बस उस कॉलम को खाली छोड़ देता हूँ जिसे भरने का मेरे पास कोई तथ्य नहीं।

आगे क्या देखना है

मैं आपसे एक चीज़ माँगूँगा, और वह तकनीकी नहीं है। जब भी कोई क्रिकेट का आँकड़ा आपके सामने रखे, उससे एक सवाल पूछिए: इसके पीछे कितने इन्फ़ॉर्मेशन पॉइंट्स हैं, और सैंपल क्या है? जवाब अगर सिर्फ़ एक संख्या है, तो आपके पास एक राय है, तथ्य नहीं।

पाइपलाइन के स्तर पर तीन संकेत देखने लायक हैं — रिट्रीवल स्टेटस लॉग, डोमेन-लेबल की अनुरूपता, और यह कि क्या इन्फ़ॉर्मेशन पॉइंट्स की संख्या शून्य होने पर रिकॉर्ड अपने आप बाहर निकलता है या अंदर चला जाता है। तीसरा संकेत सबसे ज़रूरी है, क्योंकि वह तय करता है कि अगले साल आपको जो आँकड़े पढ़ने को मिलेंगे, उनमें कितने भरे हुए खाली स्थान होंगे।

एक मॉन्क बाज़ार से बहस नहीं करता। वह रिग्रेशन दोबारा चलाता है। सवाल सिर्फ़ यह है कि इस बार वह किस फ़ाइल पर चलेगा।