Khi dữ liệu thì thầm sai ngôn ngữ: Một bài quảng cáo trang sức lọt vào đường ống tin bóng đá

Đêm tám tháng Mười, khi cả tòa soạn đang chạy đua với những cái tên trên thị trường chuyển nhượng mùa đông, tôi nhận được một tệp dữ liệu. Trên cùng là dòng metadata quen thuộc: Domain bóng đá. Bên dưới là ba mươi sáu điểm thông tin được đánh số, phân loại, gắn nhãn cẩn thận. Nhưng đến điểm thứ ba, tôi buộc phải dừng lại. Điểm thông tin số ba kể về một người đàn ông không biết gì về trang sức. Điểm số bảy dẫn lời một nhân viên tư vấn của một thương hiệu bạc thủ công. Điểm số ba mươi sáu nhắc đến ưu đãi đặt trước năm phần trăm cho Ngày Phụ nữ Việt Nam hai mươi tháng Mười. Không có một trận bóng nào trong đó. Không cầu thủ, không huấn luyện viên, không bảng tỷ số, không thẻ phạt, không một khung hình VAR. Sai lầm không nằm ở mắt trọng tài, mà nằm ở nơi anh ta chọn để nhìn. Trong trường hợp này, người dán nhãn đã chọn nhìn vào một từ khóa, một thực thể, hoặc một mẫu câu nào đó trùng với ngữ cảnh bóng đá, rồi để cả một văn bản tiếp thị lọt qua hệ thống phân loại. Khi tôi ngồi lại đọc từng điểm một, tôi nhận ra không phải chỉ có một điểm bị lệch. Toàn bộ tệp dữ liệu là một bài quảng cáo cho một thương hiệu trang sức, được viết dưới dạng một câu chuyện cảm xúc về món quà cho người phụ nữ nhân ngày hai mươi tháng Mười. Đây không phải là lần đầu tiên tôi gặp một sự cố dán nhãn sai. Năm hai nghìn mười bảy, khi còn là phóng viên chuyên trách kỷ luật giải đấu, tôi từng phát hiện ra rằng bốn mươi bảy thẻ đỏ của một mùa giải bị phân bổ lệch đến ba mươi tám phần trăm giữa sân nhà và sân khách. Khi đó, vấn đề không nằm ở con số, mà nằm ở cách con số được ghi lại. Cũng như bây giờ, vấn đề không nằm ở việc hệ thống phân loại có tồn tại hay không, mà nằm ở việc người vận hành hệ thống tin vào điều gì. Trước khi VAR lên tiếng, tôi đã thấy dữ liệu thì thầm từ mùa giải hai nghìn mười bảy. Nhưng trong vụ việc này, tín hiệu không đến từ một pha bóng chậm. Nó đến từ chính dòng chữ ở đầu tệp. Một văn bản nói về vòng tay hàn vĩnh viễn, về quà tặng ngày hai mươi tháng Mười, về những cặp đôi muốn lưu giữ ký ức, lại được đánh dấu là bóng đá. Đây là một lỗi phân loại, và nó nguy hiểm hơn một lỗi đánh giá trên sân, bởi vì nó không xảy ra trong một trận đấu cụ thể. Nó xảy ra trong chính cấu trúc vận hành của dòng thông tin. Trong bối cảnh thị trường chuyển nhượng, khi mà mỗi giờ trôi qua có hàng trăm tin đồn mới được sinh ra, hệ thống phân loại là tuyến phòng thủ đầu tiên. Nếu tuyến phòng thủ đó để lọt một bài quảng cáo trang sức vào danh mục bóng đá, thì những phân tích phía sau sẽ bị nhiễm độc. Một chỉ số cảm xúc dựa trên tệp này sẽ cho ra kết quả sai. Một mô hình học máy dựa trên tệp này sẽ học nhầm. Một bảng tin tổng hợp dựa trên tệp này sẽ đưa đến cho độc giả một nội dung không liên quan gì đến môn thể thao họ theo dõi. Tôi đã dành sáu giờ để đọc lại ba mươi sáu điểm thông tin. Không có bất kỳ thực thể thể thao nào xuất hiện. Không có tên câu lạc bộ, không có tên cầu thủ, không có tên giải đấu. Điều duy nhất có thể gọi là con số trong tệp này là những thông số sản phẩm: vàng mười ca-ra, vàng mười bốn ca-ra, vàng mười tám ca-ra; hơn hai mươi mẫu dây chuyền; hơn ba trăm mẫu mặt dây. Và một con số tiếp thị: năm phần trăm giảm giá cho đơn đặt trước. Nếu đây là một bản báo cáo chuyển nhượng, tôi sẽ bắt đầu bằng việc phân tích cấu trúc điều khoản giải phóng hợp đồng. Nhưng đây không phải là bản báo cáo chuyển nhượng. Đây là một bài giới thiệu sản phẩm, và nó đã đi nhầm cửa. Điều đáng chú ý hơn cả là cấu trúc của văn bản gốc. Nó không phải là một bài viết ngẫu nhiên. Nó là một bài quảng cáo được thiết kế bài bản, với một vòng cung cảm xúc hoàn chỉnh. Đầu tiên, nó gọi tên nỗi đau: người đàn ông không biết gì về trang sức, mỗi dịp lễ lại lo lắng không biết mua gì. Thứ hai, nó loại bỏ giải pháp dễ dãi: đưa tiền mặt thì an toàn nhưng nhàm chán. Thứ ba, nó giới thiệu sản phẩm thay thế: một chiếc vòng tay được hàn vĩnh viễn ngay tại cửa hàng, trong vòng chưa đầy hai giây. Thứ tư, nó xử lý phản đối trước khi phản đối kịp xuất hiện: người đàn ông không ngại cam kết, chỉ ngại cảm giác vướng víu khi làm việc, khi chơi thể thao, khi cầm nắm đồ vật. Thứ năm, nó nâng tầm sản phẩm lên thành nghi lễ: nhiều cặp đôi còn tích hợp chiếc vòng vào lễ cưới. Cuối cùng, nó chốt bằng một ưu đãi có thời hạn. Đây là một mô thức tiếp thị hoàn chỉnh, và tôi phải thừa nhận nó được viết tốt. Nhưng chính vì được viết tốt, nó càng nguy hiểm khi lọt vào một đường ống dữ liệu bóng đá. Một văn bản dở sẽ bị loại bỏ ngay từ vòng đầu. Một văn bản hay, có cấu trúc chặt chẽ, có số liệu, có trích dẫn, lại dễ dàng vượt qua các bộ lọc tự động và thậm chí cả con mắt của biên tập viên đang mệt mỏi trong giai đoạn cao điểm chuyển nhượng. Nguồn của văn bản này cũng là một vấn đề. Tất cả bằng chứng trong bài đều đến từ chính thương hiệu: nhân viên tư vấn của thương hiệu, khách hàng của thương hiệu, thông số sản phẩm do thương hiệu cung cấp. Không có một nguồn độc lập nào. Trong ngôn ngữ của chúng tôi, đây là nguồn cấp một, và nó có độ tin cậy thấp nhất trong mọi thang đo. Khi một bài báo chỉ trích dẫn chính chủ thể mà nó nói về, thì đó không phải là báo chí, đó là quan hệ công chúng. Mùa chuyển nhượng giống một phiên tòa, nơi mỗi con số đều bị đem ra đối chất bằng chữ ký và ngày tháng. Nhưng trong phiên tòa đó, không phải lời khai nào cũng có giá trị như nhau. Lời khai của người đại diện khác với lời khai của giám đốc thể thao. Lời khai của một tờ báo độc lập khác với lời khai của một kênh truyền thông thuộc sở hữu câu lạc bộ. Và lời khai của một thương hiệu trang sức về sản phẩm của chính mình thì không có giá trị gì trong một phiên tòa bóng đá, bởi vì nó không thuộc về phiên tòa đó. Đây là điểm mà tôi muốn dừng lại lâu hơn một chút. Trong năm mùa giải làm phóng viên kỷ luật, tôi học được rằng phần lớn các sai lầm trong hệ thống không đến từ những kẻ xấu. Chúng đến từ những người tốt làm việc trong một cấu trúc không được thiết kế để bắt lỗi của chính họ. Một trọng tài bỏ sót một pha phạm lỗi không phải vì anh ta thiếu năng lực, mà vì anh ta đứng ở một vị trí mà từ đó góc nhìn bị che khuất. Một hệ thống VAR bỏ qua một tình huống không phải vì công nghệ hỏng, mà vì quy trình thiết lập không bao phủ được tình huống đó. Và một đường ống dữ liệu để lọt một bài quảng cáo trang sức vào danh mục bóng đá không phải vì người vận hành cẩu thả, mà vì tiêu chí phân loại chưa đủ chặt để phân biệt giữa một bài viết về món quà và một bài viết về món quà tặng cho một cầu thủ. Một hệ thống sụp đổ không bao giờ bắt đầu từ lỗi của ai đó; nó bắt đầu từ cái im lặng của những người được giao cầm cân. Trong trường hợp này, sự im lặng nằm ở chỗ không ai đặt câu hỏi tại sao một văn bản không có bất kỳ thực thể thể thao nào lại được gắn nhãn bóng đá. Sự im lặng đó không phải là sự đồng ý. Nó là một khoảng trống trong quy trình. Tôi không có quyền phạt, nhưng tôi có nghĩa vụ nhìn thấy điều mà người cầm còi không muốn thấy. Và điều tôi nhìn thấy ở đây là một vấn đề về bản thể học của dữ liệu. Chúng ta đang xây dựng những hệ thống phân tích ngày càng tinh vi, những mô hình dự đoán ngày càng phức tạp, những chỉ số ngày càng chi tiết. Nhưng tất cả những thứ đó đều đứng trên một nền tảng duy nhất: giả định rằng dữ liệu đầu vào thuộc đúng danh mục của nó. Khi giả định đó bị phá vỡ, mọi thứ phía trên sụp đổ cùng với nó. Trở lại với tệp dữ liệu ban đầu. Nếu tôi phải cho nó một đánh giá về giá trị thông tin, tôi sẽ nói rằng nó có giá trị bằng không đối với mục đích bóng đá, và có giá trị vừa phải như một nghiên cứu tình huống về tiếp thị cảm xúc. Nó là một ví dụ sạch sẽ về cách xây dựng một vòng cung thuyết phục: gọi tên nỗi đau, loại bỏ giải pháp thay thế, giới thiệu sản phẩm, xử lý phản đối, nâng tầm thành nghi lễ, và chốt bằng ưu đãi. Nhưng nó không phải là tin bóng đá, và không có bất kỳ cách nào để biến nó thành tin bóng đá mà không bịa đặt. Điều tôi lo ngại nhất không phải là bản thân vụ việc này. Một tệp dữ liệu bị dán nhãn sai là một sự cố có thể sửa được. Điều tôi lo ngại là tần suất của những sự cố như vậy trong giai đoạn cao điểm. Khi thị trường chuyển nhượng mở cửa, khối lượng thông tin tăng vọt, và áp lực lên các hệ thống phân loại cũng tăng theo. Một bài quảng cáo trang sức lọt qua hôm nay có thể là một bài quảng cáo cá cược lọt qua ngày mai, hoặc một bài tuyên truyền của một nhóm cổ động viên cực đoan lọt qua ngày kia. Vấn đề không nằm ở nội dung cụ thể. Vấn đề nằm ở chỗ hệ thống không có cơ chế tự kiểm tra chéo giữa nhãn và nội dung. Trong những năm gần đây, ngành công nghiệp bóng đá đã đầu tư rất nhiều vào công nghệ giám sát trên sân. Chúng ta có VAR, chúng ta có goal-line technology, chúng ta có bán tự động việt vị. Nhưng chúng ta hầu như không đầu tư vào công nghệ giám sát chính dòng thông tin về bóng đá. Chúng ta kiểm tra từng milimet của một đường biên ngang, nhưng chúng ta không kiểm tra xem liệu bài viết đang được lan truyền có thực sự nói về bóng đá hay không. Đây là nơi tôi muốn đề xuất một hướng đi. Bất kỳ đường ống dữ liệu bóng đá nào cũng nên có một bước kiểm tra bắt buộc: trích xuất tất cả các thực thể được đặt tên trong văn bản, và đối chiếu chúng với một cơ sở dữ liệu về câu lạc bộ, cầu thủ, huấn luyện viên, giải đấu. Nếu số lượng thực thể thể thao bằng không, văn bản nên bị đánh dấu để xem xét thủ công. Đây không phải là một giải pháp phức tạp. Đây là một quy tắc cơ bản mà bất kỳ hệ thống nào cũng có thể áp dụng. Vấn đề là liệu chúng ta có muốn áp dụng nó hay không, khi mà việc áp dụng nó sẽ làm chậm tốc độ xuất bản. Sự chuyên nghiệp không phải khi trọng tài thổi còi đúng, mà khi anh ta dám thổi còi dù cả sân đang gào rằng sai. Trong trường hợp này, việc dám dừng lại và nói rằng tệp dữ liệu này không thuộc về đây khó hơn người ta tưởng. Bởi vì nó đòi hỏi phải thừa nhận rằng hệ thống đã sai, và phải chấp nhận rằng việc sửa sai sẽ tốn thời gian. Nhưng giữa một hệ thống nhanh mà sai và một hệ thống chậm mà đúng, tôi chọn vế thứ hai. Không phải vì tôi thích sự chậm chạp, mà vì tôi biết rằng một khi dữ liệu sai đã đi qua, nó sẽ không quay trở lại. Dữ liệu kỷ luật vẽ ra một bức chân dung mà không một máy quay nào bắt được: bức chân dung của sự lặp lại. Và trong trường hợp này, bức chân dung đó cho thấy một mô thức quen thuộc. Chúng ta nhập dữ liệu nhanh hơn chúng ta kiểm chứng dữ liệu. Chúng ta phân tích nhiều hơn chúng ta xác minh. Chúng ta tin vào nhãn nhiều hơn chúng ta tin vào nội dung. Đó không phải là một vấn đề của riêng một tệp dữ liệu. Đó là một vấn đề của cả một cách làm. Tôi viết bài này vào đầu tháng Mười, khi các tòa soạn thể thao đang chuẩn bị cho một giai đoạn cao điểm mới: các trận đấu quốc tế, thị trường chuyển nhượng mùa đông, và hàng loạt giải đấu cấp câu lạc bộ. Đây là thời điểm mà khối lượng thông tin đạt đỉnh, và cũng là thời điểm mà nguy cơ nhiễm độc dữ liệu cao nhất. Tôi không viết để chỉ trích một cá nhân nào. Tôi viết để nêu ra một vấn đề về hệ thống. Câu hỏi tôi muốn để lại là: nếu chúng ta có thể dành hàng giờ để phân tích một pha việt vị, tại sao chúng ta không thể dành một phút để kiểm tra xem một bài viết có thực sự thuộc về chủ đề mà nó được gán nhãn hay không? Sự hiệu quả của một hệ thống thông tin không nằm ở tốc độ nó đưa dữ liệu vào, mà nằm ở khả năng của nó loại bỏ dữ liệu sai trước khi dữ liệu đó gây hại. Trong một mùa chuyển nhượng mà mỗi giờ có hàng trăm tin đồn được sinh ra và lan truyền, khả năng đó không phải là một tiện ích. Nó là điều kiện sống còn.