खाली शेल और साफ इनकार: जब डेटा पाइपलाइन चुपचाप गलत हो जाती है

हुक: एक नतीजा जिसमें नतीजा ही नहीं था

कुछ हफ्ते पहले मेरे सामने एक Stage-1 एनालिसिस रिपोर्ट रखी गई। साफ-सुथरा JSON, पूरा ढांचा, हर फील्ड मौजूद — Article Title, Source, Type, Summary, Author Stance, Purpose, Information Points, Domain Label। फिर मैंने फील्ड-दर-फील्ड काउंट किया, जैसे 2026 चेन्नई में आनंद-कार्लसन मैच के 812 हाफ-मूव टैग करते वक्त किया था। नतीजा यह निकला कि उनमें से केवल एक फील्ड में असली डेटा था: Domain Label: chess। बाकी सब N/A, खाली, या "Unclassified"।

एक ओर तकनीकी रूप से यह रिपोर्ट पूरी थी। दूसरी ओर, इसमें कोई खबर नहीं थी। यही इस पुराने डेटा-जर्नलिस्ट का सबसे पुराना डर है — ऐसा आउटपुट जो देखने में मुकम्मल लगे, लेकिन जिसमें सत्यापित करने लायक कुछ भी न हो। मैंने इसी गड़बड़ी की जांच शुरू की।

संदर्भ: एक पाइपलाइन जिसकी खामियां डिज़ाइन में छिपी थीं

दो दशक से ज़्यादा वक्त से मैं स्कोरशीट, AICF के मिनट्स, राज्य पुरस्कार बहीखाते और Elo इतिहास को एक बिना ऑडिट वाले खाते की तरह पढ़ता आया हूं। 2026-18 ISL सीज़न में चेन्नईयिन FC के PPDA और सेट-पीस xG ट्रैक करते हुए मैंने सीखा था कि मॉडल पहले, मैच रिपोर्ट बाद में — यही क्रम है। रूस 2026 वर्ल्ड कप में स्पेन ने राउंड ऑफ़ 16 में रूस के खिलाफ 1,029 पास लगाए थे और फिर पेनल्टी पर बाहर हो गया था। उस दिन मेरे डेस्क पर यह बात पक्की हो गई थी: जो खबर किसी के नहीं देखे हुए आंकड़े पर टिकी हो, वह सिर्फ अफवाह है।

2026 में लॉकडाउन के दौरान जब मैंने बंद दरवाजों के मैचों (ISL 2026-21 गोवा बबल, बुंडेसलीगा घोस्ट गेम्स) पर होम-एडवांटेज मॉडल फिर से बनाया, तो होम जीत की दर डबल डिजिट में गिरी। अगस्त 2026 में FIDE ऑनलाइन ओलंपियाड फाइनल में सर्वर फेल होने के बाद भारत और रूस को संयुक्त विजेता घोषित किया गया। मैंने लिखा था कि नतीजा तकनीकी रूप से अगणनीय (unmeasurable) है — उस टुकड़े पर पाठकों की प्रतिक्रिया उस मॉडल से ज़्यादा आई थी जो मैंने सालों में छापा था।

यही पृष्ठभूमि इस बार काम आई। क्योंकि यह रिपोर्ट एक ऐसे मोड़ पर पहुंची जहां यह तय करना था — मैं चुपचाप कुछ भी नहीं होने पर भी एक एनालिसिस लिख दूं, या साफ कहूं कि मेरे पास माल नहीं है। मैंने दूसरा रास्ता चुना।

कोर: तीन बहीखाते, एक ही नतीजा — खाली

पहला बहीखाता: फील्ड्स की मिलान तालिका

जब एक रिपोर्ट आती है जिसका शीर्षक N/A है, स्रोत N/A है, टाइप "Unclassified" है, एक-वाक्य सारांश खाली है, लेखक का रुख N/A है, उद्देश्य N/A है, और Information Points की सूची में एक भी प्रविष्टि नहीं है — तो आपके पास विश्लेषण के लिए कच्चा माल शून्य है। केवल एक फील्ड भरी है: Domain Label: chess।

यह लेबल सिर्फ इतना बताता है कि वर्गीकरण मॉडल ने टेक्स्ट को शतरंज श्रेणी में डाला। यह नहीं बताता कि टेक्स्ट ओपनिंग थ्योरी, एंडगेम तकनीक, टूर्नामेंट रिपोर्ट, AI-गेम थ्योरी या शतरंज ट्यूटोरियल के बारे में था। एक शब्द की लेबलिंग पर कोई तर्क नहीं खड़ा किया जा सकता — चाहे वह लेबल कितना ही सही लगे।

दूसरा बहीखाता: पाइपलाइन की विसंगति

Additional Notes में दो लाइनें साफ लिखी थीं:

- Entities Involved: identify from the information points above - Source Quality: judge from the source fields of the information points

ये निर्देश हैं, निष्कर्ष नहीं। और सबसे बड़ी बात — ये "information points above" की ओर इशारा करते हैं, जो सूची खाली है। यानी निर्देश अमल में नहीं आ सकते। यह दो में से एक चीज़ साबित करता है:

1. Stage-1 एक्सट्रैक्शन वास्तव में फेल हुआ (बॉडी टेक्स्ट नहीं आया, पार्सिंग एरर आया), लेकिन प्रक्रिया ने fail-fast नहीं किया और फिर भी एक ढांचागत रूप से पूरा खोल (shell) आगे भेज दिया।
2. टेम्प्लेट बिना भरे ही आगे पास हो गया — प्लेसहोल्डर जैसे थे वैसे ही रह गए।

दोनों हालातों में, डाउनस्ट्रीम को यह ढांचा मिलता है और वह चुपचाप कचरा पैदा करता है। यही असली खबर है: विफलता सिस्टम में हुई, रिपोर्टर के पास नहीं।

तीसरा बहीखाता: आगे क्या किया जाना चाहिए

Stage-1 के निकास (exit) पर एक वैलिडेशन चाहिए: अगर information_points खाली है या title/source N/A हैं, तो स्थिति को status: extraction_failed मार्क करना चाहिए और प्रक्रिया रोकनी चाहिए — आगे भेजना नहीं चाहिए।

यह महज सॉफ्टवेयर का सुधार नहीं है। यह उसी सिद्धांत का विस्तार है जो मैं पत्रकारिता में 32 साल से मानता आया हूं: जिस तथ्य को आप मूल स्रोत से दोबारा नहीं बना सकते, उसे तथ्य कहना बंद कर दें। डेटा पाइपलाइन में वही बात लागू है — जिस फील्ड को आप डेटा से नहीं भर सके, उसे N/A की तरह ही आगे भेजें, "अनुमान" से नहीं।

उलटा कोण: "खाली" होना भी एक नतीजा है

यहां एक उलटा नज़रिया ज़रूरी है, और मुझे यह 2026 की चेन्नई बही से सीखा है। उस मैच में जब कार्लसन ने 6.5-3.5 से जीत दर्ज की, तो हर किसी ने "आनंद की गिरावट" की कहानी लिखी। लेकिन मेरे 812 एनोटेटेड हाफ-मूव्स और सेंटीपॉन-लॉस कर्व ने दिखाया कि कहानी उससे कहीं ज़्यादा जटिल थी — और उस जटिलता का एक हिस्सा यह था कि कुछ मैचों में सटीकता का माप ही अविश्वसनीय था।

इसी तरह, इस Stage-1 रिपोर्ट को "विश्लेषण करने योग्य सामग्री उपलब्ध नहीं" कहना कोई हार नहीं है। यह एक वैध, सत्यापनीय, प्रकाशन-योग्य निष्कर्ष है। कभी-कभी सबसे ईमानदार रिपोर्ट वही होती है जो लिखती है: अभी मैं नहीं बता सकता। डेटा-पत्रकारिता की सबसे बड़ी भूल यही होती है कि वह खोखलेपन को किसी मॉडल, कोई रुझान या कोई रूपक डालकर भर देती है।

यहां जो उलझन है, वह मॉडल की सीमा है — डेटा की नहीं। कितने भी अच्छे स्क्रैपर हों, अगर स्रोत का मुख्य भाग गायब है, तो निष्कर्ष भी गायब ही रहेगा। और सबसे खतरनाक तब होता है जब वह अंतर दिखता नहीं।

टेकअवे: अगली बार क्या देखें

आगे के लिए एक स्पष्ट मांग है, जो सिर्फ इस रिपोर्ट के लिए नहीं है। किसी भी डेटा-डेस्क के पास एक fail-fast फाटक होना चाहिए — खाली Information Points और N/A स्रोत पर प्रक्रिया को रोकें, आगे न बढ़ाएं। और जब रिपोर्ट अधूरी हो, तो उसे अधूरा कहने की हिम्मत होनी चाहिए, चाहे प्रकाशकीय दबाव कुछ भी हो।

जब आपकी मॉडल-पाइपलाइन अगली बार बड़े आत्मविश्वास से कोई नतीजा थमाए, तो पूछें: इस नतीजे के पीछे की बही कहां है? और अगर वह खाली है, तो वह आत्मविश्वास किस चीज़ से आया?

(ज़रूरत पड़ने पर सुधार जारी रहेगा। कुछ खाते अभी भी बंद हैं।)