Khi một bản tin ngoại giao lọt vào kho dữ liệu bóng đá

Chiều thứ Năm, trong hàng đợi phân tích của một hệ thống dữ liệu bóng đá, có một bản ghi mang đúng một nhãn: football. Người mở nó ra không thấy đội hình, không thấy sơ đồ, không thấy tỷ số. Họ thấy một cuộc gặp giữa tổng thống Trung Quốc và tổng thống Mỹ, bàn về một thỏa thuận hòa bình giữa Mỹ và Iran, và việc mở lại eo biển Hormuz. Bảy điểm thông tin trong bản ghi ấy, không một dòng nào nhắc tới bóng đá. Không câu lạc bộ. Không cầu thủ. Không huấn luyện viên. Không giải đấu. Không chuyển nhượng. Không một bản hợp đồng nào được nhắc tên.

Đó là toàn bộ nội dung của bản phân tích tôi có trong tay. Và cũng là toàn bộ những gì tôi có thể kể lại một cách trung thực.

Một kho dữ liệu không tự sinh ra dữ liệu

Cách các ban thể thao vận hành ngày nay khác khá nhiều so với thời tôi bắt đầu viết. Một bản tin thô từ hãng thông tấn đi vào hệ thống, được cắt thành các điểm thông tin, được gán nhãn lĩnh vực, rồi được đẩy sang mô-đun phân tích tương ứng. Nhãn lĩnh vực là điều kiện tiên quyết. Không có nhãn đúng thì không có phân tích đúng.

Mọi mô-đun phía sau — chiến thuật, tài chính, chuyển nhượng, rủi ro, quan hệ phòng thay đồ — đều giả định rằng bản ghi trước mặt thuộc về bóng đá. Bản ghi này thì không.

Người ta thường hình dung dữ liệu thể thao như một dòng chảy tự nhiên: có trận, có số, có kết luận. Thực tế, nó là một dây chuyền nhiều khớp nối, và mỗi khớp đều có thể trượt. Khớp đầu tiên là khớp phân loại. Khi khớp ấy trượt, mọi khớp phía sau vẫn chạy bình thường. Đó mới là điều đáng lo. Một cỗ máy chạy êm trên nguyên liệu sai sẽ cho ra kết quả sai một cách rất ngăn nắp, rất khó phát hiện.

Trong ca này, mô-đun phân tích sâu đã làm đúng việc khó nhất: nó dừng lại.

Giải phẫu một lần gán nhãn sai

Bản phân tích đặt ra một câu hỏi kỹ thuật cụ thể: có thể trích xuất được thực thể bóng đá nào từ bảy điểm thông tin trên không? Câu trả lời là không, và câu trả lời ấy được giữ nguyên thay vì bị lấp đi.

Về mặt phương pháp, khi không có thực thể để phân tích, hành vi đúng là trả về giá trị rỗng. Dựng lên một phân tích chiến thuật từ bản tin ngoại giao kia sẽ tạo ra những kết luận về sơ đồ đội hình, về chỉ số gây áp lực, về quỹ lương, về luật công bằng tài chính — tất cả đều không có cơ sở nào trong nguồn. Đó được gọi là rủi ro ngụy tạo, và đây là loại sai số nặng nhất mà một sản phẩm phân tích có thể mắc phải, vì nó không tự tố giác.

Người viết thể thao giỏi nhất không phải người chạy nhanh nhất, mà là người ở lại lâu nhất. Câu ấy đúng với cả máy móc: một hệ thống tốt là hệ thống biết đứng yên khi không có gì để nói.

Bản phân tích cũng chỉ ra cơ chế gây lỗi, và cơ chế ấy khá đời thường: va chạm từ khóa. Từ “deal” xuất hiện trong ngữ cảnh một thỏa thuận ngoại giao; từ “met” xuất hiện trong ngữ cảnh một cuộc gặp cấp nhà nước. Với một bộ phân loại dựa trên khớp chuỗi, hai từ ấy đủ để gợi tới chuyển nhượng và trận đấu. Không có hiểu nghĩa ở đây, chỉ có so khớp ký tự.

Nếu đọc kỹ bảy điểm thông tin, bức tranh càng rõ. Điểm thứ nhất: một cuộc gặp diễn ra vào thứ Năm. Điểm thứ tư: một tuyên bố rằng Trung Quốc ủng hộ Mỹ và Iran quay lại một thỏa thuận đạt được hồi tháng Sáu. Điểm thứ sáu: việc mở lại eo biển Hormuz. Điểm thứ bảy: nguồn tin là một hãng thông tấn nhà nước. Không điểm nào trong số đó có thể dùng làm đầu vào cho bất kỳ phép tính nào của bóng đá. Không xG, không số đường chuyền, không phút thi đấu, không giá trị đội hình, không lịch thi đấu.

Có một chi tiết đáng chú ý khác. Mốc thời gian trong bản ghi chỉ có hai: cuộc gặp vào thứ Năm và thỏa thuận của tháng Sáu. Cả hai đều thuộc lịch ngoại giao. Không mốc nào thuộc lịch thi đấu. Với một hệ thống từng vận hành trên lịch vòng loại và lịch chuyển nhượng, việc không có mốc thời gian thể thao nào lẽ ra đã là một tín hiệu cảnh báo sớm. Nó không được dùng đến.

Ba hậu quả, và một trong số đó là tiền

Một bản tin gán nhãn sai nghe như chuyện nhỏ. Nó chỉ nhỏ khi đứng một mình.

Thứ nhất là nhiễm bẩn dữ liệu. Các chỉ số tổng hợp — độ nóng dư luận, xếp hạng nguồn, đồ thị thực thể — đều được tính trên cả một tập bản ghi. Một bản ghi ngoại giao lọt vào tập ấy sẽ kéo lệch mọi thứ xung quanh nó. Nếu đồ thị thực thể bóng đá của bạn có một nút tên Iran nằm cạnh các nút câu lạc bộ, thì mọi truy vấn sau đó đều trả về kết quả sai, và không ai biết vì sao.

Thứ hai là niềm tin mượn. Nguồn của bản ghi này là một hãng thông tấn nhà nước, uy tín cao trong lĩnh vực ngoại giao. Nếu hệ thống chấm điểm tin cậy cho bản ghi mà không giới hạn điểm ấy theo lĩnh vực, một bản tin ngoại giao hoàn toàn có thể nhận điểm cao trong ngữ cảnh bóng đá. Đây là kiểu sai số nguy hiểm nhất, vì nó khoác áo chỉn chu và không ai nghĩ tới việc kiểm tra lại.

Thứ ba là chi phí con người. Đã có một người ngồi mở bản ghi ấy ra, đọc hết bảy điểm thông tin, rồi viết một bản phân tích dài để kết luận rằng không có gì để phân tích. Người ấy làm đúng. Nhưng thời gian đó lẽ ra thuộc về một trận đấu, thuộc về một cầu thủ đang cần được nhìn kỹ hơn.

Chỗ tôi không đồng tình với cách đặt vấn đề

Bản phân tích khuyến nghị thêm một cổng kiểm tra ở cuối giai đoạn một: nếu không trích xuất được thực thể bóng đá nào, hãy từ chối nhãn lĩnh vực và phân loại lại. Đó là một khuyến nghị đúng về kỹ thuật. Nhưng nó dừng quá sớm.

Cách đặt vấn đề ấy vẫn ngầm coi bộ phân loại là thủ phạm duy nhất. Bộ phân loại chỉ làm đúng những gì nó được dạy. Nếu tin tức tổng hợp và tin bóng đá cùng chảy qua một đường ống, cùng dùng một mô hình, thì việc lẫn lộn là hệ quả tất yếu của thiết kế. Lỗi nằm ở chỗ người ta đặt hai loại nội dung hoàn toàn khác nhau lên cùng một băng chuyền, rồi kỳ vọng cái băng chuyền ấy tự phân biệt được chúng.

Điều này mở ra một vấn đề nghề nghiệp lớn hơn. Suốt nhiều năm, tòa soạn thể thao chuyển dần quyền phán đoán cho các hệ thống tổng hợp. Ban đầu là để tiết kiệm thời gian. Sau đó là để không bị tụt lại. Cuối cùng là vì không còn ai đủ gần sân để biết điều gì thực sự quan trọng.

Dựa trên kinh nghiệm theo dõi các trận đấu của tôi, thứ phân biệt một phóng viên thể thao với một bảng tổng hợp số liệu là khả năng nhận ra cái gì không thuộc về trận đấu. Một cầu thủ vào sân với vẻ mặt sai. Một huấn luyện viên đứng ngoài khu kỹ thuật quá lâu. Những dấu hiệu ấy không nằm trong bất kỳ cột dữ liệu nào, nhưng chúng quyết định cách bạn viết về trận đấu đó.

Tôi từng viết một loạt mười hai kỳ trong khoảng thời gian các giải đấu bị hoãn vì dịch bệnh. Tôi đến sân vận động hai lần mỗi tuần, ngồi xem một người chăm sóc mặt cỏ cắt cỏ đều đặn dù chẳng có trận nào diễn ra. Sân vận động trống năm ấy dạy tôi rằng tiếng ồn không phải là bóng đá. Bóng đá là cái còn lại sau khi tiếng ồn biến mất. Một đường ống dữ liệu chạy êm nhưng không phân biệt được tiếng ồn với cái còn lại thì chưa phải là một hệ thống hiểu bóng đá. Nó chỉ là một cái loa tốt.

Điều đáng theo dõi, và cách theo dõi

Bản ghi này nên được coi là một ca thử nghiệm rẻ tiền, có một đặc tính quý: sai lầm hiện ra rõ ràng và không thể ngụy biện. Chính vì vậy nó phù hợp để kiểm tra hồi quy.

Việc cần làm là đếm. Trong một tuần, bao nhiêu bản ghi mang nhãn bóng đá nhưng không trích xuất được thực thể bóng đá nào? Nếu tỷ lệ ấy bằng không suốt nhiều tháng rồi đột ngột khác không, bạn có một thay đổi trong đường ống. Nếu tỷ lệ ấy vốn đã khác không đều đặn, bạn có một khiếm khuyết thiết kế.

Cũng nên truy vết nguồn vào. Bản ghi này đến từ một dây tin tổng hợp. Nếu dây tin tổng hợp đang đổ vào đường ống bóng đá, đây là lúc tách luồng. Cách xử lý nằm ở việc ngăn hai dòng nước chảy vào cùng một ống, chứ không ở việc tinh chỉnh mô hình thêm một lần nữa.

Và nên kiểm tra kho thực thể. Nếu tên các quốc gia đã nằm trong đó cạnh tên các câu lạc bộ, nên dọn. Việc dọn dẹp không hào nhoáng, không tạo ra bản tin, không ai chia sẻ nó. Nhưng nó là phần việc quyết định một kho dữ liệu còn dùng được vào mùa sau hay không.

Điều tôi mang ra khỏi ca này

Có những con số không nằm trên trang thống kê, chúng nằm trong ánh mắt người hâm mộ. Và có những lỗi không nằm trong kết quả, chúng nằm ở chỗ ai đó đã quên kiểm tra cái nhãn trước khi tin vào nội dung bên trong.

Một bản hợp đồng bị bỏ quên, rồi một ngày nó đổi cả chiều gió mùa giải. Một cái nhãn bị bỏ quên cũng vậy, chỉ khác là nó không ghi bàn — nó âm thầm làm hỏng mọi bảng thống kê phía sau.

Người viết thể thao ở lại lâu nhất thường là người hỏi một câu rất cũ: cái này có thật là bóng đá không? Trong một hệ thống toàn số liệu, câu hỏi ấy nghe ngây thơ. Nó vẫn là câu hỏi duy nhất đáng hỏi.