खाली रिकॉर्ड, भरा भरोसा: कबड्डी की डेटा पाइपलाइन उस गड़बड़ को क्यों छिपा लेती है जिसकी कोई जाँच नहीं करता

पिछले हफ़्ते एक डेटा पाइपलाइन का आउटपुट खुला। JSON वैध था, स्कीमा अधूरा नहीं था, और सिस्टम ने बिना एक भी चेतावनी के उसे स्वीकार कर लिया। अंदर एक ही फ़ील्ड भरी हुई थी — domain: kabaddi। शीर्षक खाली, स्रोत खाली, एक-वाक्य सारांश खाली, सूचना-बिंदुओं की सूची खाली, समय-संवेदनशीलता का आकलन अनुपलब्ध। पाइपलाइन ने कुछ निकाला ही नहीं था, और उसने यह बताने की ज़रूरत भी महसूस नहीं की।

मेरे लैपटॉप पर उसी वक़्त एक दूसरी फ़ाइल खुली थी: 2026 से 2026 तक के 41,000 से ज़्यादा रेड्स का कोडेड रिकॉर्ड, जिसे मैंने 2026 की गर्मियों में, टोक्यो के स्थगन और बंद कैंपस के बीच, पाँच महीनों में बनाया था। उस शीट से कहा जा सकता है कि डबकी 2026 में रेड्स का 9.4 फ़ीसदी हिस्सा थी और 2026 तक 3 फ़ीसदी से नीचे चली गई। ग्यारह हज़ार रेड्स यह नहीं बताते कि मूव ख़त्म हो गया; वे सिर्फ़ इतना बताते हैं कि कोचिंग ने उसे चुनना छोड़ दिया। रिकॉर्ड का फ़ायदा यही है — वह बहस जीतता नहीं, बहस को टाल देता है।

मगर इस बार रिकॉर्ड ख़ाली था, और ख़ाली रिकॉर्ड भी एक बयान है। कबड्डी में डेटा-साक्षरता का दावा 2026 के बाद बना, जब प्रो कबड्डी लीग ने हर रेड, हर टैकल और हर टाइमआउट सार्वजनिक कर दिया। क्रिकेट के बाद भारत का सबसे साफ़ खेल-आँकड़ा ढाँचा कबड्डी का ही कहा जाता है, और मैंने ख़ुद यह दावा कई बार दोहराया है। दावा टेस्ट करने पर टूटता है: साक्षरता का मतलब संख्याएँ पढ़ना है, ऑडिट का मतलब संख्याओं पर सवाल करना। कबड्डी ने पहला किया, दूसरा नहीं।

अब वे चार जगहें, जहाँ यह पाइपलाइन टूट सकती थी, और चारों बार वह चुप रही। पहली: अपस्ट्रीम फ़ेच विफल हुआ, बॉडी ख़ाली आई या उसमें सिर्फ़ नेविगेशन और टेम्पलेट टेक्स्ट था। दूसरी: एक्सट्रैक्टर ने पूरे लेख को शोर मान लिया — JS से रेंडर होने वाले पेज, पेवॉल, PDF, तीनों में आम। तीसरी: क्लासिफ़ायर ने पहले kabaddi टैग निकाल दिया, फिर एक्सट्रैक्शन स्टेज अपवाद के साथ बाहर निकल गया, और जो बचा उसे डिफ़ॉल्ट मान लिया गया। चौथी, और सबसे महँगी: स्ट्रक्चर्ड आउटपुट का स्कीमा कन्वर्ज़न फ़ील्ड गिरा गया — मॉडल ने अमान्य JSON लौटाया और सिस्टम ने उसे चुपचाप डिफ़ॉल्ट पर रीसेट कर दिया।

चौथी विफलता बाक़ी तीन से अलग किस्म की है, क्योंकि इसमें कुछ टूटता नहीं, कुछ छिपता है। पहली तीन में त्रुटि दर्ज होती है; चौथी में त्रुटि का नाम बदल जाता है। डाउनस्ट्रीम हर उपभोक्ता — एक रैंकिंग मॉडल, एक ऑक्शन स्प्रेडशीट, एक संपादकीय कैलेंडर — इस रिकॉर्ड को सच मानकर आगे बढ़ता है, क्योंकि उसका आकार क़ानूनी है। एक ख़ाली ऑब्जेक्ट और एक सही ऑब्जेक्ट में फ़र्क़ करने का काम स्कीमा का नहीं, किसी दावे का है। जिस पाइपलाइन में विफलता की कोई सतह ही न हो, वहाँ विफलता की दर नापना बेमानी है।

इसका इलाज तकनीकी नहीं, लेखा-शास्त्रीय है। Stage-1 के निकास पर एक शर्त लगाओ: information_points.length > 0 && summary != ''। शर्त पूरी न हो तो रिकॉर्ड को extraction_failed चिह्नित करो और कच्चा इनपुट स्नैपशॉट साथ रखो। जो पंक्ति सामान्य दिखती है मगर ख़ाली है, उसे डेटाबेस में बैठने का हक़ नहीं होना चाहिए — सीधा एरर देना कम ख़तरनाक है।

यहाँ सबसे आसान काम यह है कि क्रॉलर या मॉडल को दोष दे दिया जाए। मेरे पास इस आरोप की कोई रसीद नहीं है। क्रम उलटा है: वर्गीकरण सफल रहा, निष्कर्षण बाहर निकला। जो स्टेज पहले चली और पार हो गई, वही मुजरिम नहीं हो सकती। गड़बड़ यह है कि चारों में से किसी भी विफलता को 'कुछ नहीं मिला' से अलग पहचानने का तरीक़ा परिभाषित ही नहीं किया गया था। शून्य नतीजा और शून्य रीडिंग दो अलग चीज़ें हैं, और पत्रकारिता इन दोनों को एक ही शब्द से बुलाती रही है।

यह चोट कबड्डी कवरेज में नई नहीं है। 2026 के जकार्ता सेमीफ़ाइनल वाली रात मुझे आज भी याद है — सुबह 4 बजे, ग्रुप में दक्षिण कोरिया से 23-24 की हार, फिर ईरान से 18-27, और 2026 के बाद पहला एशियाई खेलों का स्वर्ण छूटा। उस रात मैंने रोना नहीं लिखा; मैंने ईरान की कुश्ती-जनित टखना पकड़ और भारत के प्रतिष्ठा-आधारित चयन पर तीन हज़ार शब्द लिखे, और फ़ज़ल अत्राचली के टैकल आँकड़ों को रीढ़ बनाया। असली सबक़ यह था कि ईरान का रक्षात्मक ढाँचा टैकल-पॉइंट डेटा में वर्षों पहले दिख रहा था। स्प्रेडशीट 2026 में सही थी। किसी ने 2026 तक उससे पूछा ही नहीं। वही बीमारी यहाँ उल्टी दिशा में है: पहले हम रिकॉर्ड को नहीं पढ़ते थे, अब हम ख़ाली रिकॉर्ड को पढ़ लेते हैं।

मेरी दो-कॉलम वाली आदत यहाँ काम आती है — एक कॉलम में वह जो मैदान पर महसूस हुआ, दूसरे में वह जो डेटा ने कहा। इस रिकॉर्ड में दूसरा कॉलम मौजूद ही नहीं था, इसलिए पहला कॉलम भरने का लालच आया। मैंने नहीं भरा। 41 हज़ार रेड्स कोई शौक़ नहीं, एक जनगणना है — और जनगणना में ख़ाली पन्ना सबसे ज़्यादा शोर मचाता है, क्योंकि उसे कोई गिनता नहीं।

यहाँ एक रियायत दर्ज करनी ज़रूरी है, वरना यह टुकड़ा वही ग़लती दोहराएगा जिसकी वह आलोचना कर रहा है। कबड्डी का साफ़ लेजर सिर्फ़ PKL का लेजर है। सर्कल स्टाइल, महिला अंतरराष्ट्रीय मैच, और 2026 से पहले का घरेलू खेल — इन तीनों के पास तुलनीय रिकॉर्ड ही नहीं है। वहाँ सन्नाटा डेटा की कमी है, खेल की कमी नहीं। अगर मैं अपनी ही कसौटी लगाऊँ, तो इन तीन श्रेणियों की मेरी हर बात को 'रीडिंग नहीं मिली' का दर्जा मिलना चाहिए, न कि 'यही सच है' का।

और यह भी साफ़ कह दूँ: मैं इस घटना से यह साबित नहीं कर रहा कि मुझे पहले से पता था। यह अनुमान ग़लत भी हो सकता था; अगर पाइपलाइन ने तीन ठोस सूचना-बिंदु और एक स्पष्ट सारांश दिया होता, तो यह पूरा टुकड़ा बेकार हो जाता। मेरा दावा सिर्फ़ इतना है कि ख़ाली आउटपुट को वैध मानने का जो नियम आज चल रहा है, वह किसी भी सूचना-गुणवत्ता मानक से नहीं टिकता।

आगे का सवाल यह नहीं कि पाइपलाइन कब ठीक होगी। सवाल यह है कि अगली बार कोई उस शून्य को पढ़ेगा, या उसे भी 'कम सामग्री' कहकर आगे बढ़ जाएगा। जो खेल रेड को दशमलव तक गिनता है, उसे कम से कम इतना कहना आना चाहिए — यहाँ मेरे पास कुछ नहीं है। जिस खेल में यह वाक्य नहीं है, उसका लेजर कितना भी साफ़ हो, वह लेखा नहीं, सजावट है।