Chú chó ở Ixtapaluca: một clip 43 giây và lỗi gán nhãn khiến cả đường ống dữ liệu rung chuyển

2 giờ 47 phút sáng ở Seoul. Màn hình thứ ba của tôi vẫn sáng. Một clip dài 43 giây từ Ixtapaluca, bang Mexico. Không phải bóng đá. Một cuộc đấu vật đường phố tổ chức nhân dịp lễ Độc lập. Trong khung hình, ba luchadores — Radioactivo, Ciclón Ramírez Jr. và Hijo de Dos Caras — đang biểu diễn trên một võ đài dựng tạm giữa một khu phố đông đúc. Rồi một chú chó xuất hiện. Nó chạy theo một đô vật vào giữa đám đông, rồi cuối cùng quay lại và leo lên chính võ đài. Tiếng hò reo. Tiếng cười. Tràng pháo tay.

Tôi xem clip bốn lần. Không phải vì chú chó.

Tôi xem vì dòng nhãn dữ liệu phía dưới: Football.

Đó là khoảnh khắc tôi nhận ra thứ khiến tôi mất ngủ đêm đó không nằm trên võ đài. Nó nằm trong một đường ống phân loại nội dung, cách sân vận động gần nhất mười nghìn cây số, và cách sự thật đúng một từ khóa.

Ngày tôi nhận ra dữ liệu không phán xét, nó chỉ phơi bày.

Bối cảnh: một sự kiện nhỏ, một lỗi lặp lại

Ixtapaluca nằm ở phía đông bang Mexico, một đô thị vệ tinh của Thành phố Mexico. Cuộc đấu vật diễn ra trên đường phố, gắn với chuỗi sự kiện văn hóa dịp lễ Độc lập giữa tháng Chín. Đây là dạng sự kiện cấp cộng đồng: ngân sách nhỏ, ban tổ chức địa phương, khán giả là cư dân trong khu phố. Không có bảng xếp hạng. Không có hợp đồng chuyển nhượng. Không có hệ thống thi đấu vòng tròn. Không có lượt đi lượt về.

Ba cái tên Radioactivo, Ciclón Ramírez Jr., Hijo de Dos Caras là những đô vật được booking cho một đêm diễn đơn lẻ. Trong lucha libre, cấu trúc đội ba người gọi là trio là chuẩn mực văn hóa của bộ môn này, không phải một sơ đồ chiến thuật bóng đá. Chú chó, theo mọi mô tả, không có lịch tham gia nào. Nó đến. Nó làm náo loạn. Nó leo lên võ đài. Nó nhận ovation từ khán giả.

Câu chuyện kết thúc ở đó. Nhưng với tôi, nó chỉ bắt đầu.

Điều đầu tiên tôi kiểm tra khi theo dõi bất kỳ sự kiện nào là nguồn gốc. Ở đây, nguồn gốc là một clip lan truyền trên mạng xã hội. Không có tòa soạn nào đứng tên. Không có ngày đăng cụ thể. Hình ảnh được ghi công đơn giản là ảnh chụp màn hình. Đó là dấu hiệu đầu tiên của một mục có độ xác thực thấp.

Nhãn dữ liệu: khi "champion" và "ring" đánh lừa thuật toán

Đây mới là phần tôi muốn mổ xẻ. Bản tin gọi chú chó là nhà vô địch thật sự. Một tiêu đề hấp dẫn, vô hại với người đọc phổ thông. Nhưng với một hệ thống gán nhãn tự động, từ nhà vô địch — champion — là một tín hiệu mơ hồ. Champion xuất hiện trong bóng đá. Nó cũng xuất hiện trong đấu vật, quyền anh, bơi lội, đua xe, cờ vua. Từ ring cũng vậy: võ đài, nhưng trong tiếng Anh nó cũng là sân đấu, một từ đa nghĩa có thể trỏ tới nhiều môn.

Thuật toán ghép hai tín hiệu mơ hồ, cộng với một bối cảnh thể thao không rõ ràng, và đưa ra kết luận: đây là bóng đá. Sai từ gốc.

Tôi đã theo dõi các trận đấu ở tám kỳ World Cup và tám kỳ Thế vận hội, cùng nhiều vòng đua lớn của xe đạp đường trường. Kinh nghiệm đó dạy tôi một điều: hệ thống phân loại sai không ồn ào. Nó im lặng. Nó không báo lỗi. Nó chỉ đặt nội dung sai vào đúng chỗ nó không thuộc về, rồi để mọi thứ phía sau tự sụp.

Một mục bị dán nhãn sai không phải là một mục vô hại. Nó là một viên sỏi trong bánh răng. Trong một kho dữ liệu bóng đá, một mục về đấu vật sẽ bơm vào hệ thống những thực thể không tồn tại: một cầu thủ tên Radioactivo, một đội hình ba người, một trận đấu không có tỉ số. Nếu bạn nuôi một chỉ số cảm xúc bằng dữ liệu này, bạn đang đo niềm vui của khán giả xem chó leo võ đài rồi gắn nó cho bóng đá. Nếu bạn nuôi một đồ thị thực thể, bạn đang tạo ra những mối liên kết ma giữa những cái tên chưa từng chạm vào nhau.

Tôi hình dung không gian của lỗi này theo hình học đơn giản: một hình tam giác lệch. Đỉnh thứ nhất là nguồn, một clip mạng xã hội không tòa soạn. Đỉnh thứ hai là nhãn, Football. Đỉnh thứ ba là đầu ra, mọi báo cáo, chỉ số và biểu đồ phía sau. Chỉ cần một cạnh lệch, cả tam giác mất chuẩn.

Có một mùa giải tôi dành trọn để giải mã chiến thuật cho một câu lạc bộ, xây dựng cơ sở dữ liệu về khoảng trống giữa các tuyến, rồi nhận ra báo cáo dài 47 trang của mình chỉ được đọc phần tóm tắt một trang. Bài học khi đó cũng đúng ở đây: dữ liệu chỉ có giá trị khi người ta nhìn đúng chỗ. Một nhãn sai nằm ở dòng đầu tiên sẽ khiến mọi con số phía sau trở nên vô nghĩa, dù chúng được tính toán kỹ đến đâu.

Bản mẫu lan truyền: kẻ ngoài cuộc cướp sân khấu

Nhưng tôi công bằng với bản tin. Nó không cố lừa ai. Nó chỉ chạy theo một bản mẫu đã được chứng minh hiệu quả: kẻ ngoài cuộc cướp sân khấu. Trong bóng đá, chúng ta thấy bản mẫu này suốt: một cầu thủ dự bị ghi bàn phút 90, một đội hạng dưới loại đội lớn, một thủ môn bất ngờ ghi bàn. Mỗi bản mẫu như vậy tạo ra một chu kỳ nhiệt cảm xúc: bùng lên rất nhanh, tàn cũng rất nhanh.

Với clip về chú chó, chu kỳ đó thậm chí còn ngắn hơn. Không có mùa giải để duy trì câu chuyện. Không có trận lượt về. Chúng ta đang nói về một sự kiện đơn lẻ, một con vật, một clip, và một vài ngày trên mạng xã hội.

Đây là điểm phản trực giác tôi muốn nói rõ: sức nóng của clip không đo lường bất cứ điều gì có thể dự báo. Trong bóng đá, chúng ta vẫn có thể tranh luận về mối liên hệ giữa cảm xúc đám đông và kết quả trên sân, dù mối liên hệ ấy rất mong manh. Ở đây, mối liên hệ đó bằng không. Nhà vô địch thật sự là một câu tu từ, không phải một tuyên bố thể thao. Nó vô hại với người đọc. Nó cũng vô giá trị về mặt phân tích.

Điều tôi sợ nhất không phải sai số, mà là sai mô hình. Sai số thì sửa được. Sai mô hình thì sửa cả một hệ thống niềm tin.

Điểm mù: chúng ta dán nhãn theo từ khóa, không theo ngữ cảnh

Nếu có một bài học từ đêm 2 giờ 47 phút ở Seoul, đó là điều này: hầu hết các lỗi phân loại không đến từ sự ngu dốt của máy móc. Chúng đến từ sự lười biếng của con người — chúng ta để cho từ khóa quyết định thay vì ngữ cảnh. Nhà vô địch là một từ khóa. Một võ đài đường phố giữa lễ Độc lập Mexico là một ngữ cảnh. Một hệ thống tốt phải nghe được ngữ cảnh.

Điều này có ý nghĩa vượt xa một mục tin sai. Trong thập niên vừa qua, thể thao được số hóa đến tận đáy. Mỗi cú chạm bóng, mỗi bước chạy, mỗi nhịp thở của cầu thủ đều trở thành một điểm dữ liệu. Cùng lúc, một dòng dữ liệu trực tiếp rời khỏi sân và chảy về những nơi mà khán giả không nhìn thấy. Khi dữ liệu chảy nhanh hơn khả năng kiểm chứng, một nhãn sai không còn là chuyện nhỏ. Nó là tín hiệu nhiễu được nhân lên.

Trên sân không khán giả, tôi nghe thấy tiếng thở của hậu vệ và tiếng rạn của chiến thuật. Ở đây, trong một căn phòng làm việc im lặng lúc gần ba giờ sáng, tôi nghe thấy tiếng rạn của một nhãn dữ liệu bị gán vội.

Tôi không có ý chê bai clip. Chú chó xứng đáng được yêu mến. Nó không xứng đáng bị đưa vào một kho dữ liệu bóng đá, gắn cho nó những chỉ số mà nó chưa từng chạm tới, rồi để các mô hình phía sau kể một câu chuyện không có thật. Một lỗi nhỏ, nhưng đúng loại lỗi có thể âm thầm làm lệch một hệ thống lớn.

Điều đáng theo dõi phía trước

Với một nhà phân tích, giá trị của câu chuyện này không nằm ở chú chó. Nó nằm ở cảnh báo: hãy kiểm tra đường ống dữ liệu của bạn. Bao nhiêu mục đang mang nhãn bóng đá mà thực chất không phải bóng đá? Bao nhiêu nhà vô địch đang lẫn vào giữa những cầu thủ thật? Bao nhiêu mối liên kết ma đang lớn dần trong đồ thị thực thể mà không ai nhìn thấy?

Qua ba thập kỷ, tôi nhận ra: bóng đá thay áo, nhưng lõi vẫn là đấu trí. Và đấu trí bắt đầu từ việc gọi đúng tên sự vật. Một chú chó trên võ đài không phải một cầu thủ. Một cuộc đấu vật đường phố không phải một trận bóng. Một lỗi nhãn không phải một sự kiện nhỏ, nếu bạn để nó chảy vào đúng chỗ nó sẽ gây hại.

Câu hỏi tôi để lại cho những người xây dựng hệ thống: trong kho dữ liệu của bạn, có bao nhiêu chú chó đang lặng lẽ được đếm như những cầu thủ?