जब खाली डेटा बोलता है: क्रिकेट एशिया की एक रिपोर्ट में एनालिसिस-पाइपलाइन की चुप्पी

एक एनालिसिस पाइपलाइन में सबसे शोर करने वाली चीज़ खाली फ़ील्ड होती है। क्रिकेट एशिया के एक आर्टिकल का Stage-1 डिकंस्ट्रक्शन जब सामने रखा गया, तो उसमें शीर्षक 'N/A', स्रोत 'Unclassified', और Information Points की गिनती शून्य थी — केवल एक ही फ़ील्ड ज़िंदा थी: Domain Label: cricket_asia। यानी क्लासिफ़ायर चला, लेकिन उसके पीछे जो मशीनरी टेक्स्ट पढ़ती है, वह मौन होकर लौटी। यह कोई छोटी तकनीकी गड़बड़ नहीं है; यह मीडिया-मॉनिटरिंग की उस आदत की निशानदेही है जिसमें हम 'कुछ नहीं मिला' को 'कुछ नहीं था' समझ लेते हैं। क्रिकेट पत्रकारिता में यह भेद सबसे ज़्यादा मायने रखता है, क्योंकि यहाँ हर दिन दर्जनों रिपोर्टें ऐसी होती हैं जिनका सच स्कोरकार्ड में नहीं, सिलेक्शन मीटिंग के नोट्स में और ब्रॉडकास्ट टेंडर के दस्तावेज़ों में छिपा होता है। इस रिपोर्ट का काम किसी एक मैच की कहानी सुनाना नहीं है। यह उस पल की जाँच है जब एक स्वचालित प्रणाली क्रिकेट एशिया से आए टेक्स्ट को पढ़ने से इंकार कर देती है। 2026 के वांडरर्स फ़ाइनल में मैंने पहला ग्रिड इसलिए बनाया था ताकि देख सकूँ कि गेंद नहीं चलने पर कौन हिलता है — फ़ील्डर, कप्तान, या दर्शक। दो दशक बाद वही सवाल डेटा-पाइपलाइन पर लागू होता है: जब सामग्री नहीं मिलती, तो हमें देखना चाहिए कि कौन-सा फ़ील्डर हिला और कौन खड़ा रह गया। क्रिकेट एशिया एक क्षेत्रीय क्रिकेट संगठन है जो एशियाई क्रिकेट परिषद (ACC) के दायरे में आने वाले टूर्नामेंटों — एशिया कप, इमर्जिंग टीम्स एशिया कप, एसीसी प्रीमियर कप — के आयोजन और कवरेज से जुड़ा है। इसका कवरेज-क्षेत्र चारों ओर से सिकुड़ा हुआ है: अंग्रेज़ी और स्थानीय भाषाओं के बीच का अंतर, ब्रॉडकास्टर-निर्भर सामग्री, और कई बार पेडवॉल या जियो-ब्लॉक के पीछे बंद विज्ञप्ति-आधारित रिपोर्टिंग। जब ऐसी साइट से टेक्स्ट निकालने की कोशिश होती है, तो कई स्तरों पर विफलता संभव है: पहला, फ़ेच लेयर जावास्क्रिप्ट-रेंडर वाले पेज से खाली HTML उठा लेती है; दूसरा, पेडवॉल के पीछे का पैराग्राफ़ कभी आता ही नहीं; तीसरा, एक्सट्रैक्शन मॉडल का इनपुट साइज़-लिमिट या ट्रंकेटेशन की वजह से कट जाता है; और चौथा, मॉडल खाली स्ट्रक्चर लौटा देता है, जिसे डाउनस्ट्रीम सिस्टम 'कोई सूचना नहीं' के रूप में दर्ज कर लेता है। मेरे अनुभव में, यह चौथा स्तर सबसे खतरनाक है, क्योंकि यह चुपचाप होता है। जब चारों ओर सब कुछ चल रहा हो — Domain Label सही निकल रहा हो, JSON स्कीमा वैध हो — तो कोई अलार्म नहीं बजता। नतीजा यह होता है कि 'शून्य सूचना-बिंदु' वाला आर्टिकल अगले चरण में 'कम महत्वपूर्ण' के रूप में टैग हो जाता है, और किसी दिन उसी तरह गायब हो जाता है जैसे 2026 में राजस्थान रॉयल्स की सिलेक्शन मीटिंग का वह वाक्य, जिसे किसी ने नहीं दर्ज किया था। Domain Label का ज़िंदा होना एक महत्वपूर्ण सुराग है। इसका मतलब है कि उस पाइपलाइन का वर्गीकरण-घटक काम कर रहा था — उसे पता था कि यह क्रिकेट, और विशेष रूप से एशिया, का विषय है। जब वर्गीकरण सफल होकर भी बाकी सब विफल हो, तो तीन परिदृश्य संभव हैं, और एक पत्रकार को तीनों को अलग-अलग करके देखना चाहिए, जैसे एक नियामक तीन अलग आरोपों की जाँच करता है। पहला परिदृश्य: अक्षमता। सामग्री पहुँच में ही नहीं आई। जावास्क्रिप्ट-भारी पेज, क्लाउडफ्लेयर चैलेंज, या बेकार RSS फ़ीड। यहाँ किसी ने कुछ छिपाया नहीं; सिर्फ़ इंजीनियरिंग की सीमा सामने आई। दूसरा परिदृश्य: नियमित लॉजिस्टिक्स। क्रिकेट एशिया की कुछ रिपोर्टें मूल रूप से विज्ञप्ति-आधारित होती हैं — शीर्षक, तारीख़, एक पंक्ति का हवाला। ऐसी सामग्री में Information Points स्वाभाविक रूप से कम होते हैं, और उन्हें 'शून्य' दिखाना एक्सट्रैक्शन की नहीं, स्रोत की विशेषता है। तीसरा परिदृश्य: असली गोपनीयता। मैच-फ़िक्सिंग जाँच, अनुशासनात्मक कार्रवाई, या ब्रॉडकास्ट अधिकारों के विवाद पर लिखी गई रिपोर्ट में कोई नाम, कोई तारीख़, कोई दस्तावेज़ नहीं होता — सिर्फ़ 'सूत्रों के अनुसार'। यहाँ गोपनीयता वास्तविक है, और पाइपलाइन की विफलता उस गोपनीयता का सही निदान है, न कि खराबी। मेरे लिए सबसे दिलचस्प सवाल यह है: तीनों परिदृश्यों में एक ही खाली JSON कैसे लौटता है? एक सिस्टम जो 'जानकारी नहीं मिली' और 'जानकारी वहाँ थी ही नहीं' के बीच फ़र्क़ नहीं कर सकता, वह पत्रकारिता के लिए उपयोगी नहीं, वह सिर्फ़ एक गिनती-मशीन है। इसका इलाज स्कीमा में है: हर खाली फ़ील्ड के साथ एक कारण-कोड ज़रूरी होना चाहिए — fetch_empty, paywall_blocked, parse_short, model_timeout, या source_verbatim_empty। यह एक छोटा-सा इंजीनियरिंग बदलाव है, लेकिन इससे अगले चरण का पत्रकार जान सकेगा कि उसे स्रोत को दोबारा माँगना है या स्रोत को ही संदिग्ध मानना है। इस पूरी घटना में एक पुरानी बात दोहराई जा रही है, जो क्रिकेट-रिपोर्टिंग में मैंने दशकों से देखी है: ग़ैर-हाज़िरी को भी साक्ष्य मानना पड़ता है। 2026 के वांडरर्स फ़ाइनल में मैंने 24-सेक्टर ग्रिड बनाया था और 61 पोज़िशनल शिफ्ट दर्ज किए थे। उनमें से कई शिफ्ट ऐसे थे जो किसी कैच या रनआउट से नहीं जुड़े थे — सिर्फ़ फ़ील्डर का खिसकना, कप्तान का इशारा। अगर मैंने सिर्फ़ विकेट गिने होते, तो वह ग्रिड अधूरा रह जाता। ठीक वैसे ही, अगर हम सिर्फ़ 'कितने आर्टिकल्स में डेटा मिला' गिनेंगे, तो हम उन आर्टिकल्स की कहानी कभी नहीं समझ पाएंगे जिनमें डेटा जान-बूझकर नहीं था। यहीं से वह उलटा निष्कर्ष निकलता है जिस पर मैं अक्सर लौटता हूँ: खाली निकला फ़ील्ड अक्सर सबसे सच्चा फ़ील्ड होता है। मॉडल की सफलता उसके निष्कर्ष में नहीं, उसके रेसिडुअल में होती है — वह जो मॉडल भविष्यवाणी नहीं कर सका, वही असली सीख है। एक डेटा-पाइपलाइन के लिए भी यही लागू होता है। अगर पाइपलाइन हर बार 'सफल' होकर भी खाली लौटती है, तो वह सफलता एक भ्रम है। असली सवाल यह नहीं कि उसने कितने आर्टिकल्स प्रोसेस किए, बल्कि यह कि उसने कितने आर्टिकल्स के बारे में ईमानदारी से कहा 'मुझे नहीं पता क्यों खाली है'। हालाँकि, यहाँ एक जाल है जिसमें मैं खुद बार-बार फँसता हूँ, और जिसे इस रिपोर्ट में साफ़ करना ज़रूरी है। 'खाली डेटा सबसे सच्चा डेटा है' — यह वाक्य बहुत आकर्षक है, लेकिन अगर इसे बिना सीमा के दोहराया जाए, तो यह हर खराबी को गहराई का नाम देने लगता है। कई बार खाली फ़ील्ड सिर्फ़ खराब कोड होता है, जिसे फ़िलॉसफ़ी में बदलने की ज़रूरत नहीं, सिर्फ़ ठीक करने की ज़रूरत होती है। मेरे करियर का सबक यही रहा है: राजस्थान मेमो में मैंने चालीस पेज लिखकर यह बताया था कि बाज़ार बाएँ हाथ के स्पिन को कम आँक रहा है — लेकिन मेमो के पीछे असली काम साठ स्कोरशीट्स का री-कोडिंग था, न कि साठ अंदाज़े। अगर उस मेमो में सिर्फ़ कयास होते, तो शेन वॉर्न उसे कचरे में फेंक देते। इसलिए इस रिपोर्ट का सही निष्कर्ष यह है कि पाइपलाइन को तीन चीज़ें एक साथ चाहिए: फ़ेच-लॉग (क्या आया), पार्स-लॉग (क्या निकाला), और मॉडल-लॉग (क्या लौटाया)। तीनों के बीच का अंतर ही बताएगा कि खालीपन कहाँ पैदा हुआ — स्रोत में, नेटवर्क में, या मॉडल के भीतर। बिना इन तीनों के, 'शून्य सूचना-बिंदु' एक अंधेरा कमरा है जिसमें हम केवल अपनी ही परछाईं देख सकते हैं। आगे देखें तो सवाल यह है कि क्या क्रिकेट एशिया जैसे क्षेत्रीय स्रोतों के लिए एक अलग, हल्का एक्सट्रैक्शन-प्रोफ़ाइल बनाया जाए — जो विज्ञप्ति-आधारित छोटी रिपोर्टों को 'कम जानकारी' के बजाय 'अलग शैली' के रूप में पहचाने? या हम तब तक इंतज़ार करें जब तक कि कोई महत्वपूर्ण ख़बर इसी तरह चुपचाप गायब न हो जाए और हमें पता भी न चले? जिस दिन हम 'N/A' को एक सामान्य शीर्षक मानने लगेंगे, उस दिन हमारी पत्रकारिता की सबसे बड़ी विफलता दर्ज हो चुकी होगी — और वह किसी मैच में नहीं, हमारी अपनी प्रणाली में होगी।