एक खाली स्कोरशीट की पड़ताल: जब डेटा पाइपलाइन चुपचाप फेल होती है

स्टेज-1 के आउटपुट में बत्तीस फ़ील्ड थीं। सैंतीस में से पैंतीस खाली थीं या N/A लिखा था। सिर्फ़ एक फ़ील्ड में असली टेक्स्ट था — Domain Label: chess। और यही वह क्षण है जब एक डेटा लॉगर को रुकना चाहिए था।

मैं 2026 से इस काम में हूँ। कुल्वर सिटी की एक स्पोर्ट्स-एनालिटिक्स कंपनी में मेरा पहला असाइनमेंट याद है: 2026 से 2026 तक के नेशनल 'A' और एज-ग्रुप नेशनल्स के 4,300 गेम्स को एक वैलिडेटेड PGN डेटाबेस में बदलना। उनमें हस्तलिखित तमिल स्कोरशीट्स भी थीं। मैंने 41 नियमों की एक वैलिडेशन स्क्रिप्ट लिखी और 380 गेम्स को 'unrecoverable' फ़्लैग किया, बजाय राउंड नंबर का अंदाज़ा लगाने के। डेटाबेस नौ महीने में तैयार हुआ और कंपनी का पहला बिकने योग्य शतरंज उत्पाद बना। उस अनुभव ने एक आदत डाल दी: अगर कोई नंबर प्राथमिक स्कोरशीट तक ट्रेस नहीं होता, तो वह नंबर मेरे ड्राफ़्ट में नहीं आता।

तो जब स्टेज-1 रिज़ल्ट सामने आया, तो मैंने वही किया जो हमेशा करता हूँ — फ़ील्ड-दर-फ़ील्ड बही-खाता खोला।

परिणाम साफ़ था। Article Title: N/A। Article Source: N/A। Article Type: Unclassified। One-sentence Summary: खाली। Author Stance: N/A। Article Purpose: N/A। Information Points: खाली, शीर्षक के नीचे एक भी एंट्री नहीं। सिर्फ़ Domain Label में 'chess' लिखा था — यानी क्लासिफ़ायर ने टेक्स्ट को शतरंज/चेस श्रेणी में डाल दिया। बस। इतना ही।

यह जानकारी यह नहीं बताती कि लेख ओपनिंग थ्योरी पर था, एंडगेम टेक्नीक पर, टूर्नामेंट रिपोर्ट पर, AI गेमिंग पर, या चेस ट्यूटोरियल पर। यह किसी निष्कर्ष, तर्क-संरचना या स्टैंस का समर्थन नहीं कर सकती। एक डोमेन लेबल एक श्रेणी है, विषय नहीं। शतरंज की दुनिया में भी — जैसे एक गेम का नतीजा '1-0' होना यह नहीं बताता कि जीत किस चरण में बनी। स्कोरबोर्ड एक सारांश है। बही-खाता ही कहानी है। और यहाँ बही-खाता खाली था।

इस स्थिति में 'गहन विश्लेषण' करने का मतलब सिर्फ़ एक चीज़ होता — कहानी गढ़ना। मैंने वह नहीं किया। 2026 में FIDE ऑनलाइन ओलंपियाड के इंटेग्रिटी डेस्क पर मेरी यही भूमिका थी — 163 टीमें, आठ प्लेटफ़ॉर्म, करीब 1,200 गेम्स की निगरानी। जब फ़ाइनल रूस के ख़िलाफ़ सर्वर फेल होने पर संयुक्त ख़िताब में बदल गया, तो मैंने ग्यारह दिन लॉग को फिर से खड़ा करने में लगाए और 26 पेज की टाइमलाइन प्रकाशित की — कौन-सी चाल किस सर्वर पर, किस टाइमस्टैम्प पर खोई। मैंने कोई भी वाक्य साइन नहीं किया जो कहे कि भारत जीता या हारा। फ़ेडरेशन ने उसी टाइमलाइन का इस्तेमाल अपने आधिकारिक बयान में किया। दो प्रतिद्वंद्वी आउटलेट्स पहले ही उलटे हेडलाइन छाप चुके थे।

यहाँ भी वही सबक लागू होता है। एक खाली आउटपुट पर विश्लेषण लिखना उसी तरह का विफलता-प्रबंधन है जैसे सर्वर गिरने पर विजेता घोषित कर देना।

लेकिन असली समस्या खाली फ़ील्ड नहीं है। असली समस्या यह है कि पाइपलाइन ने खाली फ़ील्ड के साथ आगे बढ़ने का फ़ैसला किया।

Additional Notes में दो निर्देश थे: 'Entities Involved: identify from the information points above' और 'Source Quality: judge from the source fields of the information points'। ये दोनों निर्देश हैं, आउटपुट नहीं। और ये ऊपर के उन information points की ओर इशारा करते हैं जिनका अस्तित्व ही नहीं — खाली सेट। जो निर्देश उस डेटा की ओर इशारा करे जो मौजूद ही नहीं, वह निर्देश लागू ही नहीं हो सकता।

इसका मतलब दो में से एक स्थिति है। पहली — स्टेज-1 एक्सट्रैक्शन वास्तव में फेल हुआ (बॉडी टेक्स्ट नहीं मिला, या पार्सिंग में एरर आया), लेकिन फ़्लो में fail-fast का प्रावधान नहीं था, तो सिस्टम ने संरचनात्मक रूप से पूरा खोल आगे भेज दिया। दूसरी — टेम्पलेट जैसा था वैसा ही पास हो गया, प्लेसहोल्डर भरे ही नहीं गए। दोनों ही स्थितियों में डाउनस्ट्रीम चुपचाप कचरा पैदा करेगा।

मैंने अपने करियर में कई बार यह पैटर्न देखा है। 2026 के नवंबर में कोलकाता में टाटा स्टील चेस इंडिया के दौरान — हिकारू नाकामुरा ने रैपिड जीता — मैं लाइव इवैल्यूएशन फ़ीड चला रहा था। राउंड्स के बीच मैंने xG के तर्क को Elo के ख़िलाफ़ एक एक्सपेक्टेड-स्कोर कर्व में बदला। बैक-टेस्ट में पता चला कि 2650 का खिलाड़ी 2720 के ख़िलाफ़ 40-मूव ग्राइंड में सिर्फ़ 18% कन्वर्ट करता है। ब्रॉडकास्ट प्रोड्यूसर ने ग्राफ़िक को 'बहुत जटिल' कहकर रिजेक्ट कर दिया। ब्लिट्ज़ शुरू होने से पहले दो कोचों ने स्प्रेडशीट ईमेल से मांगी। सबक वही था: विश्वास प्रक्रिया में होता है, न कि प्रस्तुति की चमक में।

आगे बढ़ने के लिए न्यूनतम इनपुट साफ़ हैं। सबसे ज़रूरी — मूल पाठ या सारांश। इसके बिना बाकी फ़ील्ड भरना भी दूसरे हाथ की जानकारी होगी। दूसरा — आर्टिकल सोर्स और प्रकाशन तिथि, जो विश्वसनीयता और समय-प्रासंगिकता तय करते हैं। तीसरा — Information Points की वास्तविक एंट्रियाँ, कम से कम पाँच से दस स्रोत-सहित कथन। चौथा — Domain Label का कॉन्फ़िडेंस स्कोर। 'chess' प्राथमिक लेबल है या एकमात्र? अगर एकमात्र है और कॉन्फिडेंस कम है, तो मिसक्लासिफ़िकेशन की संभावना ठोस है।

स्टेज-1 के निकास द्वार पर एक चेक की ज़रूरत है, और यह सुझाव मैं प्रक्रिया-शुद्धता के नाते दे रहा हूँ, किसी शिकायत के तौर पर नहीं: जब information_points खाली हो या title/source N/A हो, तो सिस्टम को status: extraction_failedचिह्नित करके रुक जाना चाहिए, आगे नहीं बढ़ना चाहिए। यह वही सिद्धांत है जो मैंने अपने 41-नियम वाली वैलिडेशन स्क्रिप्ट में रखा था — खाली राउंड नंबर का अंदाज़ा नहीं, फ़्लैगिंग। क्योंकि जब रिकॉर्ड में चुप्पी हो, तो वह चुप्पी भी एक डेटा पॉइंट है — बशर्ते कोई उसे दर्ज करने का कष्ट करे।

शतरंज में एक कहावत है कि सबसे ख़तरनाक स्थिति वह नहीं जब आपकी चाल ग़लत हो, बल्कि वह जब आपको पता ही न हो कि आपने चाल चली भी है या नहीं। डेटा पाइपलाइनों के साथ भी वही बात है। खाली आउटपुट शोर नहीं करता — इसलिए वह सबसे महँगी विफलता है। अगली बार जब कोई रिपोर्ट 'पूरी' दिखे, तो उसकी बही-खाता खोलिए और देखिए कि कितने खाने सचमुच भरे हैं। छह साल की एंट्रियाँ, और उसके बाद ही सवाल आया।

(जैसा कि मैंने अपने सालों के मैच-देखने के अनुभव के आधार पर सीखा है, सबसे भरोसेमंद डेटा वह है जिसे रिकॉर्ड करने वाले ने ख़ुद को जाँचने की इजाज़त दी हो।) — मनोज गुप्ता, कोलंबो।