Một nhãn sai nằm giữa kho dữ liệu bóng đá

Chủ nhật, một bản ghi mới trôi vào kho dữ liệu của hệ thống tin thể thao. Ở trường phân loại, nó nhận một chữ: football. Người trực ca đêm lướt qua, thấy nhãn hợp lệ, đẩy tiếp xuống dòng chảy bên dưới — mô hình theo dõi dư luận, chỉ số nhiệt của câu chuyện, các bảng tổng hợp theo ngày. Không ai mở nó ra. Mở ra thì thấy hai mươi bốn điểm thông tin. Không đội bóng. Không tỷ số. Không chiến thuật, không chuyển nhượng, không một cái tên nào thuộc về sân cỏ. Đó là bản tin về cái chết của một đứa trẻ mười hai tuổi trong một chiếc xe đỗ ở Gulshan-e-Iqbal, Karachi, Pakistan. Cảnh sát địa phương được dẫn lời qua DSP Syed Abu Talha Umrao; một khẩu súng lục có giấy phép bị thu giữ; cuộc điều tra vẫn đang mở. Câu chuyện ấy thuộc về một gia đình, một thành phố, một trang thời sự. Tôi nhắc lại điều đó một lần, để phần còn lại của bài viết này rõ ràng: ở đây tôi phân tích cái nhãn dán lên bản tin, không phân tích cái chết của một đứa trẻ. Trong mười một năm theo dõi ngành tin thể thao, tôi học được rằng phần lớn sai sót của nghề nằm ở khâu xếp chỗ, chứ không ở khâu viết. Một bài báo được viết đúng, đủ nguồn, có đối chiếu, vẫn có thể trở thành rác trong một hệ thống chỉ vì nó được đặt vào ngăn không thuộc về nó. Và trong các hệ thống tin thể thao, ngăn dễ bị đặt nhầm nhất luôn là ngăn bóng đá. Có lý do cho điều đó. Bóng đá là ngăn lớn nhất, chiếm khối lượng lớn nhất, sở hữu vốn từ rộng nhất và mơ hồ nhất. Sân, khán đài, đường biên, phút bù giờ, chấn thương, chuyển nhượng — những từ ấy nằm rải rác trong cả tin tội phạm, tin kinh tế, tin đời sống. Một bộ phân loại tự động chạy trên văn bản thô sẽ vấp vào chúng, vấp nhiều lần, cho đến khi điểm số nghiêng hẳn về phía bóng đá. Trường hợp này có một chi tiết đáng chú ý hơn: địa danh. Vụ việc xảy ra quanh khu Gulshan-e-Iqbal, nơi có những con đường mang tên gọi mà một bộ máy đọc máy móc sẽ gán ngay cho sân vận động. Trong bản ghi còn xuất hiện những mốc không gian như Stadium Road, phục vụ việc mô tả hiện trường. Đó là tên đường, tên khu phố, tên của những chỗ người ta đi qua hằng ngày. Với một mô hình dựa trên trùng khớp từ khóa, chúng là tín hiệu bóng đá hạng nặng. Với một biên tập viên đọc kỹ, chúng là tên đường. Toàn bộ khoảng cách giữa hai cách đọc ấy nằm ở chỗ có ai mở bản ghi ra hay không. Hồ sơ phân tích để lại ba sự kiện có thể kiểm chứng. Nhãn miền của bản ghi là football. Hai mươi bốn điểm thông tin bên trong không chứa câu lạc bộ, giải đấu, hợp đồng hay cầu thủ nào. Và xét theo đúng thể loại của nó, bản tin vẫn đạt tiêu chuẩn nghề nghiệp: nguồn được nêu tên, thông tin được quy về cảnh sát, tình trạng điều tra được mô tả là đang tiếp diễn thay vì kết luận. Lỗi nằm ở khâu dán nhãn, không nằm trong văn bản. Đó là loại lỗi yên tĩnh nhất, và cũng là loại lỗi nguy hiểm nhất trong mọi dây chuyền tin. Một bản tin sai thì bị sửa. Một bản tin gắn sai nhãn thì được truyền đi. Nó chảy vào chỉ số cảm xúc, vào bảng theo dõi xu hướng, vào những con số mà một ngày nào đó có thể được đọc lên trong một cuộc họp về chiến lược nội dung. Ký ức của những chiếc ghế trống: một bản ghi ngồi vào chỗ của bóng đá, và không có ai ngồi ở đó. Đọc đủ lâu sẽ thấy một cơ chế quen thuộc hơn cả lỗi kỹ thuật. Kho dữ liệu nào cũng muốn lớn. Nhóm nội dung nào cũng muốn bao phủ. Khi khối lượng trở thành thước đo, việc gắn nhãn rộng tay trở thành phản xạ có lợi: thà nhận nhầm còn hơn bỏ sót, vì một bài bị bỏ sót không ai thấy, mà một bài bị nhận nhầm cũng không ai thấy. Cả hai đều vô hình. Hệ quả là các ngăn dữ liệu lớn dần bằng những bản ghi không thuộc về chúng, và không ai chịu trách nhiệm, bởi không ai được giao việc kiểm tra lại. Một kho dữ liệu không ai kiểm tra là cuốn nhật ký viết bằng bụi. Góc nhìn ngược lại cũng nên nói cho đủ. Phản xạ đầu tiên khi phát hiện lỗi là đổ cho bộ phân loại, thay mô hình, tăng dữ liệu huấn luyện. Phản xạ ấy chưa chạm tới đáy. Bộ phân loại chỉ làm đúng việc nó được dạy khi chưa ai dạy nó cách nghi ngờ. Chỗ thiếu nằm ở tầng người: không có bước đối chiếu giữa nhãn và nội dung trước khi một bản ghi được nhận vào dòng chảy bóng đá. Không ai sở hữu cái nhãn ấy. Và khi không ai sở hữu, cái sai trở thành mặc định, đơn giản vì nó trôi qua mà không bị chặn lại. Còn một điều ít được nhắc: bản ghi gắn sai nhãn này lại là một mẫu kiểm định có giá trị bất ngờ. Nó là một ca âm tính gần như hoàn hảo — sạch về câu chữ, lệch về phân loại. Muốn biết một hệ thống có tự phát hiện được sự vênh nhau giữa nhãn và nội dung hay không, người ta cần đúng những ca như nó. Giá trị không nằm ở chỗ nó bị xóa đi, mà ở chỗ nó được giữ lại, ghi chú, và dùng làm thước đo. Mỗi nhãn dữ liệu là một lời thì thầm mà chỉ người ngồi đúng chỗ mới nghe ra. Việc cần làm đơn giản đến mức khó tin: giữ bản ghi lại, sửa nhãn về đúng thể loại thời sự, loại nó khỏi mọi dây chuyền bóng đá, rồi rà lại các bản ghi khác cùng nguồn trong cùng lô. Nếu những bản ghi kia cũng mang lỗi tương tự, vấn đề không còn là một lần vấp của một mô hình, mà là một khiếm khuyết hệ thống. Ở cả hai tình huống, chi phí sửa thấp hơn rất nhiều so với chi phí để một dữ liệu sai nằm im trong kho vài tháng rồi được đọc lên như một bằng chứng. Bài học tôi mang ra từ câu chuyện này nằm ở tầng ký ức nhiều hơn ở tầng máy móc. Một kho dữ liệu là một dạng ký ức, và ký ức không dừng ở việc ghi lại; nó còn xếp chỗ. Khi ký ức xếp sai chỗ, nó nói dối trong im lặng, và nó nói dối lâu hơn bất cứ ai có thể tưởng. Nên việc cần làm với cái nhãn sai này, rốt cuộc, là một việc nhỏ và trang nghiêm: trả nó về đúng ngăn, để người ta có thể quay lại đọc bản tin ấy với đúng sự chú ý mà nó đáng được nhận.