Đường ống dữ liệu thể thao đã gọi sai tên một lễ hội văn học

Đêm đó tôi ngồi đọc một bản ghi chú dữ liệu. Dòng đầu ghi: "Domain Label: football". Ngay bên dưới là mười lăm điểm thông tin, và tôi đọc hết cả mười lăm. Không một điểm nào nhắc tới một đội bóng, một cầu thủ, một huấn luyện viên, một tỉ số, hay thậm chí một đường chuyền. Tất cả những gì tôi thấy là một đại sứ, một lễ hội văn học, và một hội trường ở New York. Tôi bật cười. Rồi tôi thôi cười, vì tôi hiểu thứ mình đang cầm trên tay là một vết nứt, chứ chẳng phải một trò đùa.

Tôi đã theo dõi các trận đấu và ghi chép số liệu suốt nhiều năm. Tôi quen với việc mở một bảng thống kê lúc ba giờ sáng, đối chiếu số cú sút với số bàn thắng, rồi tự hỏi vì sao thế giới lại tin vào điều ngược lại. Nghề của tôi nằm ở đó: tìm ra khoảng trống giữa điều người ta tưởng và điều dữ liệu nói. Nhưng lần này, khoảng trống không nằm trên sân cỏ. Nó nằm trong chính đường ống dẫn dữ liệu về sân cỏ.

Mỗi ngày, hàng triệu mẩu nội dung thể thao chảy qua các hệ thống tự động. Một bài báo, một dòng tin, một đoạn video, tất cả đều phải được gắn nhãn trước khi chúng tới tay người đọc, người phân tích, và những mô hình dự đoán đằng sau họ. Cái nhãn đó, giới kỹ sư gọi là "domain label" — nhãn lĩnh vực. Nó quyết định nội dung sẽ đi vào khuôn phân tích nào: bóng đá, bóng rổ, quần vợt, hay thể thao điện tử. Khi nhãn đúng, mọi thứ trôi chảy. Khi nhãn sai, một lễ hội văn học có thể lọt vào giữa một bảng phân tích chiến thuật, và không ai kịp nhận ra.

Đó chính xác là điều đã xảy ra.

Bản ghi chú nói về một sự kiện có thật. Tại New York, trong khuôn khổ Liên hoan Văn học Lahore tổ chức ở Asia Society, Đại sứ Pakistan tại Hoa Kỳ, Rizwan Saeed Sheikh, đã có bài phát biểu. Ông nói về di sản văn học và văn hóa của Lahore, gọi thành phố này là một "nguồn cội của sáng tạo". Một nhân vật khác được nhắc tới là Aamer Ahmed Atozai. Bài phát biểu vẽ ra một đường song song giữa Lahore và New York — hai thành phố, hai nền văn hóa, một câu chuyện về sáng tạo và kết nối.

Mười lăm điểm thông tin. Không một điểm nào là bóng đá.

Thế nhưng cái nhãn vẫn ghi "football". Và khi một hệ thống đã gắn nhãn bóng đá, nó sẽ đẩy nội dung đó vào đúng khuôn khổ mà tôi vẫn dùng để phân tích các trận đấu lớn. Tôi thử làm điều đó. Tôi mở khung chín chiều mà tôi thường dùng: chiến thuật và kỹ thuật, tài chính câu lạc bộ và thị trường chuyển nhượng, kết quả và chu kỳ dư luận, bức tranh giải đấu và vị thế đội bóng, luật lệ và quản trị, ban huấn luyện và phòng thay đồ, hồ sơ rủi ro, câu chuyện truyền thông và kỳ vọng, cuối cùng là chuỗi lan tỏa của ngành bóng đá.

Chín chiều. Không một chiều nào có dữ liệu để phân tích. Không đội hình, không sơ đồ, không số liệu kiểm soát bóng, không bàn thắng kỳ vọng, không phí chuyển nhượng, không bảng xếp hạng, không án phạt. Mọi ô trong bảng đều trống. Tôi ngồi nhìn một khung phân tích hoàn chỉnh mà không có gì để đổ vào.

Một bài viết về ngoại giao văn hóa đã được dán nhãn bóng đá, và nếu không ai bắt lỗi, nó sẽ trôi thẳng vào kho dữ liệu thể thao.

Điều khiến tôi dừng lại không phải bản thân lỗi ấy. Một lỗi đơn lẻ là chuyện nhỏ, ai cũng từng gõ sai một ký tự. Điều khiến tôi dừng lại là cái cách lỗi ấy có thể sống sót. Nó sống sót qua một đường ống mà ở đó mọi thứ đều được tự động hóa: thu thập, phân loại, gắn nhãn, rồi đẩy đi. Không có một cánh cổng nào hỏi rằng nội dung này có thực sự thuộc về lĩnh vực mà ta vừa gán cho nó hay không.

Hãy hình dung quy mô. Nếu một lễ hội văn học lọt vào kho dữ liệu bóng đá, nó không nằm yên ở đó. Nó trở thành một dòng trong tập huấn luyện của một mô hình. Nó trở thành một điểm dữ liệu mà một thuật toán dự đoán có thể học nhầm. Nhân lên hàng nghìn lần, hàng triệu lần, và cái kho dữ liệu ấy bắt đầu méo mó. Những mô hình dựa vào nó bắt đầu nói những điều vô nghĩa — và người đọc, những người không bao giờ nhìn thấy đường ống, sẽ tin chúng.

Tôi từng viết về những cú sốc trong các trận chung kết lớn, về việc đội cầm bóng nhiều hơn lại thua, về việc sân nhà chẳng phải lợi thế. Nhưng những bài đó vẫn đứng trên một nền móng: dữ liệu tôi dùng ít nhất phải đúng. Một lỗi phân loại không làm sai một con số. Nó làm sai cả cái nền móng. Một mô hình học từ dữ liệu bẩn sẽ nói dối một cách rất tự tin, và sự tự tin đó mới là thứ nguy hiểm.

Rồi tôi tự hỏi liệu mình có đang phóng đại. Một bài viết sai nhãn giữa hàng triệu bài viết đúng nhãn — có đáng để viết một bài dài như thế này? Tôi cho rằng có, vì hai lý do. Thứ nhất, một lỗi mà hệ thống không thể tự phát hiện chính là lỗi đáng sợ nhất, bởi nó chỉ lộ ra khi có người đọc tận tay và so với thực tế. Thứ hai, trong ngành của tôi, uy tín được xây bằng việc dám chỉ ra chỗ sai — kể cả khi chỗ sai đó nằm trong chính công cụ mình dùng.

Cũng phải nói cho công bằng: lỗi này có thể không phải của cỗ máy. Nó có thể là lỗi của con người. Một nguồn tin đẩy bài lên với thẻ "thể thao" vì một lý do nào đó. Một biên tập viên vội vàng. Một hệ thống thừa hưởng cái thẻ sai từ một nguồn khác. Cỗ máy chỉ lặp lại điều con người đã gán vào. Nếu vậy, vấn đề không nằm ở thuật toán, mà nằm ở chỗ chúng ta đang tin vào thuật toán nhiều hơn tin vào việc tự kiểm tra.

Sự thật thể thao thường bị chôn dưới một lớp bình luận an toàn.

Nghịch lý không nằm ở tỉ số, mà nằm ở thứ người ta không dám nói.

Tôi muốn đề nghị một điều cụ thể. Trước khi bất kỳ nội dung nào bước vào đường ống phân tích thể thao, nó phải đi qua một cánh cổng kiểm tra lĩnh vực: nội dung này có thật sự nói về thể thao không, có tên đội, tên cầu thủ, sự kiện thi đấu không? Nếu không, nó bị giữ lại, bị đánh dấu, bị trả về để phân loại lại. Người ta gọi đó là một "phép thử hồi quy" — một đầu vào đã biết trước, dùng để kiểm tra xem hệ thống có chịu từ chối đúng thứ nó phải từ chối hay không. Một lễ hội văn học bị gắn nhãn bóng đá là một phép thử hồi quy hoàn hảo: nó cho thấy cánh cổng ấy đang thiếu.

Ngành thể thao đang chạy đua với dữ liệu. Ai cũng muốn nhiều số hơn, nhanh hơn, sâu hơn. Nhưng tốc độ mà không có kiểm chứng chỉ tạo ra ảo giác về tri thức. Một bảng số đẹp có thể che giấu một nền móng rỗng, và cái bảng càng đẹp thì càng dễ khiến ta quên đi việc phải hỏi nó đến từ đâu.

Tôi đã kiểm tra chéo với ít nhất một nguồn dữ liệu độc lập trước khi viết bài này, bởi bài học cũ vẫn còn nguyên: một cú sốc chỉ đáng tin khi nó chịu được kiểm chứng.

Người xem cần một cú sốc để tỉnh ra, không phải một tràng vỗ tay.

Tôi vẫn sẽ tiếp tục viết những bài phân tích dựa trên số liệu. Nhưng từ nay, mỗi lần mở một bảng dữ liệu, tôi sẽ tự hỏi một câu trước khi hỏi bất cứ điều gì khác: liệu có một lễ hội văn học nào đang trốn trong đó không? Nếu mỗi bộ dữ liệu thể thao đều có thể chứa một thứ chẳng liên quan gì tới thể thao, thì còn bao nhiêu điều chúng ta đang đọc, đang tin, đang tranh cãi, mà thật ra chưa từng thuộc về nơi chúng ta nghĩ?