Nhãn dán sai và cái bẫy nguồn đơn: khi dữ liệu thể thao tự lừa mình

Đêm khuya ở Liverpool, tôi mở một tệp dữ liệu được gắn nhãn "quần vợt" do một đồng nghiệp chuyển sang. Bên trong không có chỉ số giao bóng, không có bàn thắng kỳ vọng, không có bảng điểm của bất kỳ tay vợt nào. Đó là một bản tin an ninh về các chiến dịch chống khủng bố tại Balochistan, với những con số thương vong 71, 33, 23, 11, 6 và một chuỗi tuyên bố của giới chức. Một tệp dữ liệu hoàn toàn xa lạ với bất kỳ sân đấu nào. Khoảnh khắc ấy nhắc tôi nhớ vì sao mình giữ một thói quen cũ suốt nhiều năm: trước khi tin vào bất kỳ con số nào, tôi luôn kiểm tra xem nó đến từ đâu. Có những thứ dữ liệu không bao giờ chạm tới – như cách một sân vận động thở.

Tôi đã quá già để tin vào phép màu, nhưng đủ trẻ để biết phép màu nào có thể đo đếm. Và cái nhãn "quần vợt" dán lên một bản tin an ninh, với tôi, chưa bao giờ là một phép màu. Nó là một lỗi hệ thống.

Ngành phân tích thể thao đã thay đổi rất nhiều kể từ ngày tôi chạy những mô hình đầu tiên. Mỗi câu lạc bộ ở Premier League ngày nay có thể tiếp nhận hàng nghìn điểm dữ liệu mỗi trận, và phần lớn trong số đó đi qua các đường ống xử lý tự động: thu thập, gắn nhãn, phân loại, rồi đẩy vào mô hình. Sự tiện lợi ấy có một cái giá. Khi một tệp bị dán nhãn sai, nó không dừng lại ở chỗ người đọc nhầm – nó chảy thẳng vào quy trình ra quyết định. Một báo cáo trinh sát sai chủ đề có thể khiến ban huấn luyện đánh giá nhầm một cầu thủ. Một chỉ số bị gán sai ngữ cảnh có thể đẩy giá một bản hợp đồng lên vài triệu bảng.

Tôi xem sự việc đêm qua như một ca bệnh, chứ không phải một trò đùa. Bản tin về Balochistan tự thân có giá trị riêng, nằm trong lĩnh vực an ninh và địa chính trị Nam Á. Nhưng khi nó được dán nhãn "quần vợt", nó trở thành một bài học về tính toàn vẹn dữ liệu – thứ mà bất kỳ nhà phân tích thể thao nào cũng nên thuộc lòng.

Cấu trúc của bản tin ấy có một đặc điểm đáng chú ý. Mọi con số đều xuất phát từ một nguồn duy nhất: cơ quan truyền thông của quân đội Pakistan. Không có nguồn độc lập nào kiểm chứng số thương vong. Không có nhân chứng nào được nêu tên. Không có tiếng nói đối lập nào xuất hiện trong toàn bộ văn bản. Các tuyên bố về "sự can thiệp của Ấn Độ" hay "liên quan tới Taliban Afghanistan" đều là cáo buộc của một bên trong cuộc xung đột, chứ chưa từng được phân xử.

Điểm đáng chú ý nhất về mặt cấu trúc là sự đồng thanh. Tổng thống, Thủ tướng, Bộ trưởng Nội vụ – tất cả đều lên tiếng ca ngợi chiến dịch, không một ai phản biện. Trong nghề của tôi tồn tại một nguyên tắc bất thành văn: khi mọi con số đều đến từ một nguồn, chúng ta đang đọc một lời khai, chứ chưa phải dữ liệu. Và lời khai, dù nhất quán đến đâu, vẫn chỉ là lời khai.

Những con số 71, 33, 23, 11, 6 trông rất chặt chẽ. Chúng cộng lại thành một tổng thể hợp lý. Chúng được trình bày theo mốc thời gian 96 giờ, rồi 72 giờ, gắn với các ngày 21 và 25 tháng 9. Nhưng tính nhất quán nội tại chưa bao giờ đồng nghĩa với tính độc lập. Một nguồn có thể tự nhất quán với chính nó mà vẫn sai. Đây là cái bẫy tôi đã nhìn thấy suốt nhiều năm làm nghề, chỉ khác là nó thường xuất hiện trên sân cỏ.

Trên thị trường chuyển nhượng, cùng một cơ chế vận hành. Một tin đồn về mức phí xuất phát từ một tài khoản. Nó được các trang khác trích dẫn lại. Mỗi lần trích dẫn, nó trở nên "có cơ sở" hơn một chút. Sau vài vòng, cả làng bóng đá tin rằng mức phí ấy là sự thật, dù chưa từng có ai xác nhận. Tôi từng chứng kiến những bản hợp đồng bị định giá sai hoàn toàn vì một chỉ số được lan truyền mà không ai kiểm tra nguồn gốc.

Trong các thị trường cá cược, hậu quả còn nặng hơn. Những mô hình đặt cược thể thao điện tử hiện nay vận hành trên nguồn dữ liệu mỏng và quy định tụt hậu – một sự kết hợp khiến tính toàn vẹn thi đấu bị xói mòn nhanh hơn bất kỳ môn truyền thống nào. Khi đầu vào đã nhiễu, mọi tính toán phía sau chỉ là ảo giác về độ chính xác.

Một cái nhãn chỉ là giả định của người dán nhãn, chưa bao giờ là sự thật. Khi hệ thống phân loại dán "quần vợt" lên một bản tin quân sự, nó không nói dối – nó lặp lại một giả định sai lầm. Và giả định sai lầm, khi đi vào đường ống tự động, sẽ sinh sản nhanh hơn bất kỳ sự thật nào.

Điều trớ trêu là ngành thể thao lại coi trọng số liệu bậc nhất. Chúng tôi đo từng bước chạy, từng đường chuyền, từng cú giao bóng. Nhưng càng tin vào số liệu, chúng tôi càng dễ quên rằng số liệu không tự sinh ra từ chân không. Chúng đến từ con người, từ quy trình, từ những cái nhãn do con người đặt. Mỗi bộ dữ liệu là một khu vườn – người nông dân gieo câu hỏi, mùa gặt về là những bản hợp đồng. Nếu người nông dân gieo nhầm giống, cả mùa màng lẫn giàn giá đều sụp đổ.

Tôi muốn nói thẳng điều mà một nhà phân tích thường ngại nói: phần lớn sai lầm lớn trong nghề này không đến từ thuật toán. Chúng đến từ khâu nhập liệu và gắn nhãn. Chúng ta dành hàng trăm giờ tinh chỉnh mô hình, trong khi chỉ dành vài phút kiểm tra xem dữ liệu đầu vào có đúng chủ đề hay không.

Tôi nhớ một lần tư vấn cho một câu lạc bộ hạng nhất. Họ hào hứng với một mô hình dự báo chấn thương. Mô hình chạy rất đẹp. Nhưng khi tôi truy ngược lại nguồn dữ liệu, tôi phát hiện một số bản ghi về chấn thương của cầu thủ được nhập nhầm từ một giải đấu khác, thậm chí từ một môn thể thao khác. Tất cả đều mang nhãn đúng định dạng. Không ai kiểm tra ngữ nghĩa. Suýt chút nữa thì một khuyến nghị y tế sai được đưa ra.

Đó chính xác là điều xảy ra với tệp dữ liệu đêm qua. Nhãn đúng định dạng, nội dung sai chủ đề. Nếu không ai dừng lại để đọc, hệ thống sẽ tiếp tục tiêu hóa nó như một tài liệu quần vợt. Và rồi một ai đó, ở đâu đó, sẽ rút ra một kết luận về quần vợt từ một bản tin an ninh.

Có một góc nhìn phản trực giác tôi muốn đặt lên bàn. Chúng ta thường tin rằng sự đồng thuận của đông đảo nguồn tạo nên độ tin cậy. Nhưng sự đồng thuận có thể được sản xuất. Khi tất cả các bên liên quan đều phát ngôn theo cùng một khuôn mẫu, ta đang chứng kiến sự lặp lại, chứ chưa phải kiểm chứng chéo. Trong bản tin Balochistan, tổng thống, thủ tướng và bộ trưởng nội vụ đều ca ngợi chiến dịch. Một độc giả vội vàng có thể đọc đó là "nhiều nguồn xác nhận". Thực chất, đó là một nguồn duy nhất được khuếch đại thành nhiều tiếng nói.

Ngành thể thao chúng tôi cũng có những "đồng thuận" tương tự. Khi ba tờ báo cùng đưa tin một cầu thủ sắp chuyển tới đội bóng X, rất ít người hỏi liệu cả ba có đang trích dẫn cùng một nguồn hay không. Số liệu không biết nói dối – và cũng không biết kiểm chứng chính mình.

Vậy chúng ta mang gì ra khỏi câu chuyện này? Một thói quen, hơn là một kết luận: luôn kiểm tra nhãn trước khi tin vào nội dung. Với tư cách một người làm dữ liệu thể thao, tôi thấy mình cần thêm một cổng kiểm soát chủ đề vào quy trình, nơi mỗi tệp dữ liệu phải trả lời câu hỏi đơn giản nhất: điều này có thực sự thuộc về sân đấu không? Nếu không, nó phải bị trả về.

Trong tháng tới, tôi sẽ theo dõi tần suất xuất hiện của những tệp bị dán nhãn sai trong hệ thống của mình. Nếu tần suất ấy tăng, đó là dấu hiệu của một lỗi hệ thống, chứ không phải của một sự cố đơn lẻ. Khi khán đài trống rỗng, những con số bắt đầu học cách hát – nhưng chỉ khi ta còn nhớ chúng đang hát bằng giọng của ai.

Cả đời săn theo trái bóng, nhưng thứ tôi thực sự truy tìm là công thức của nỗi nhớ. Và có lẽ, trong cái nghề dữ liệu này, công thức ấy bắt đầu từ một câu hỏi khiêm nhường nhất: con số này đến từ đâu?