Bẫy từ khoá "Monterrey": khi dữ liệu bóng đá bị nhiễm từ một lỗi phân loại

Ba giờ sáng, màn hình đường ống dữ liệu của tôi nhấp nháy một bản ghi mới vừa được gắn nhãn "bóng đá". Tôi mở ra đọc. Không đội bóng, không cầu thủ, không tỷ số, không một cú sút nào. Thứ duy nhất trong bản ghi ấy là câu chuyện về một vụ hành hung bằng dao ở trung tâm thành phố Monterrey, bang Nuevo León, Mexico — một người bị tạm giữ, một người được đưa đi cấp cứu, một cuộc điều tra còn dang dở. Tôi ngồi im. Hai mươi tám năm làm nghề, tôi đã thấy dữ liệu sai đủ kiểu: số liệu trùng lặp, chỉ số nhập lệch ngày, xG tính sai công thức. Nhưng đây là lần đầu tôi thấy một bản tin hình sự được xếp ngang hàng với một trận derby. Rồi tôi tìm ra thủ phạm. Chỉ một từ. "Monterrey". Đừng vội tin con số trước khi nó kể lại câu chuyện từ đầu. Con số ở đây là một cái nhãn. Và cái nhãn ấy đã nói dối. Để bạn hình dung, hãy nhìn vào cách một đường ống nội dung thể thao vận hành mỗi ngày. Hàng nghìn bài báo đổ vào hệ thống. Bộ phân loại chủ đề đọc lướt, bắt tín hiệu, dán nhãn: bóng đá, bóng rổ, quần vợt, thị trường chuyển nhượng. Với khối lượng đó, không ai đọc thủ công từng bài; hệ thống chạy bằng từ khoá, bằng thực thể, bằng xác suất. Vấn đề nằm ở chỗ: "Monterrey" là tên một thành phố, và cũng là tên một câu lạc bộ. CF Monterrey — đội bóng ở Liga MX, đội từng nhiều lần vô địch CONCACAF Champions League. Khi một bộ phân loại ngây thơ chỉ bám vào token bề mặt, nó thấy "Monterrey" và tự tin dán nhãn "bóng đá". Nó không phân biệt được tên riêng của một địa danh với tên riêng của một đội bóng, cũng không có khái niệm ngữ cảnh. Trong hai mươi hai điểm thông tin của bản ghi đó — thời gian, địa điểm, nhân chứng, tình trạng nạn nhân, thủ tục pháp lý — không có lấy một thực thể bóng đá. Không đội, không cầu thủ, không huấn luyện viên, không giải đấu. Chỉ một cái tên thành phố trùng với một cái tên câu lạc bộ. Vậy mà thế là đủ để một vụ án lọt vào kho dữ liệu bóng đá. Đây không phải câu chuyện lỗi kỹ thuật đơn thuần. Đây là câu chuyện về cách chúng ta xây niềm tin vào dữ liệu. Tôi bóc từng lớp. Lớp thứ nhất: cổng liên quan miền. Nếu quy trình bắt buộc mỗi bản ghi phải chứa ít nhất một thực thể bóng đá thật — tên câu lạc bộ, tên cầu thủ, hoặc tên giải đấu — thì bản ghi này bị chặn ngay từ cửa, vì nó không có thực thể nào để xác minh. Lớp thứ hai: nguồn. Rà lại, gần như toàn bộ điểm thông tin đều để trống trường nguồn, hoặc chỉ ghi chung chung kiểu "giới chức địa phương". Không cơ quan báo chí nào được nêu tên, không có ngày phát hành đáng tin để đối chiếu. Với một người làm nghề hai mươi tám năm như tôi, đây là lá cờ đỏ lớn nhất. Một thông tin không có gốc rõ ràng thì không phải thông tin — nó là tin đồn được trình bày đẹp. Lớp thứ ba: hình ảnh. Bản ghi ghi rõ hình minh hoạ đi kèm do trí tuệ nhân tạo tạo ra. Giờ tôi hiểu vì sao bức ảnh trông quá hoàn hảo. Một tấm ảnh do máy vẽ, không nhiếp ảnh gia, không hiện trường. Nó không phải bằng chứng; nó là trang trí. Lớp thứ tư: hàng xóm của bài viết. Cuộn xuống, tôi thấy những tiêu đề chẳng liên quan gì đến nhau — vài mẩu tin giao thông, vài vụ tai nạn. Đây là dấu hiệu kinh điển của một trang tổng hợp chất lượng thấp, nơi mục tiêu duy nhất là lượt nhấp. Bốn lớp, bốn lỗ hổng. Và tôi nhận ra một điều: lỗi phân loại không phải là bệnh, nó là triệu chứng. Căn bệnh thật nằm ở chỗ hệ thống của chúng ta đã quen tin vào bề mặt. Trong bóng đá, tôi gặp chuyện này mỗi tuần. Một tiền đạo ghi ba bàn trong hai trận, truyền thông gọi anh là "sát thủ". Tôi nhìn xG và thấy anh dứt điểm mười bốn lần từ những vị trí mà người ta che mắt cũng ghi được một nửa. Một đội thắng bốn trận liên tiếp, người ta nói họ "vào phom". Tôi nhìn PPDA và thấy chỉ số pressing của họ tụt dốc không phanh — chuỗi thắng ấy đang đứng trên nền móng rỗng. Cái nhãn "bóng đá" dán lên một bản tin hình sự cũng giống hệt như vậy. Nó là một kết luận bề mặt, rút ra từ một tín hiệu bề mặt, và không ai kiểm tra lại. Tôi từng làm việc với một câu lạc bộ đang chật vật trụ hạng. Họ đưa tôi một bảng dữ liệu tuyển trạch gọn gàng, đẹp đẽ, đầy tên tuổi. Tôi hỏi đúng một câu: "Ai nhập số liệu này, và nhập vào ngày nào?" Không ai trả lời được. Hoá ra bảng ấy được tổng hợp từ ba nguồn khác nhau, ở ba thời điểm khác nhau, bởi ba người với ba định nghĩa "phòng ngự tốt" khác nhau. Bảng càng đẹp thì sai càng lớn. Dữ liệu không bao giờ mệt mỏi, chỉ có người đọc nó mệt mà thôi. Một cái nhãn sai sẽ nằm im trong kho. Nó chờ. Nó không phản đối. Rồi một ngày, nó xuất hiện trong một mô hình dự đoán, và mô hình ấy học phải một bài học lệch lạc. Đó là cách một lỗi nhỏ ở khâu đầu vào trở thành một kết luận lớn ở khâu đầu ra. Nhưng khoan. Trước khi bạn gọi bộ phân loại kia là tội đồ, tôi muốn nói điều ngược lại. Vấn đề không nằm ở thuật toán. Vấn đề nằm ở con người đã viết ra quy tắc cho nó. Một bộ phân loại chỉ làm đúng những gì được dạy. Nếu ta dạy nó rằng "Monterrey" là tín hiệu bóng đá, nó sẽ mãi tin như vậy. Nó không có lỗi. Người có lỗi là kỹ sư ngồi trong phòng, quá tin rằng một danh sách từ khoá có thể thay thế cho sự hiểu biết. Ta muốn tự động hoá để tiết kiệm thời gian, nhưng quên rằng mỗi lần trao quyền phán đoán cho máy, ta cũng trao cho nó quyền mắc sai thay mình. Và đây mới là điểm đảo chiều thật sự: chính lỗi này lại hữu ích. Nếu hệ thống không sai, tôi đã không phát hiện ra lỗ hổng nguồn, không thấy tấm ảnh máy vẽ, không nhận ra trang tổng hợp kém chất lượng kia. Lỗi phân loại hoạt động như một que thử. Nó chỉ điểm đúng chỗ mà quy trình của ta mục ruỗng. Cái nhãn sai không phá hoại dữ liệu — nó tố cáo người đã tạo ra quy tắc. Tôi nói điều này vì tôi hiểu cám dỗ của việc đề cao dữ liệu. Cả nghề của tôi dựa vào con số. Nhưng tôi học được rằng: tương quan không phải nhân quả, và cùng lắm thì một token không phải một thực thể. Từ khoá chỉ là cái bóng. Bóng đá thật nằm sau cánh cửa mà token không mở được. Đêm đó, tôi đánh dấu bản ghi vào danh sách cách ly và ghi thêm một dòng: "Từ chối đưa vào kho dữ liệu bóng đá. Cần xử lý lại nhãn." Rồi tôi treo một câu hỏi lên tường làm việc: nếu một cái tên thành phố có thể lọt vào đây, thì còn bao nhiêu cái nhãn khác đang nằm im trong hệ thống mà chúng ta chưa từng kiểm tra? Sân vận động trống rỗng, nhưng dữ liệu chưa bao giờ vắng bóng khán giả. Trong kỷ nguyên nội dung do máy tạo ra rồi do máy đọc lại, chất lượng không nằm ở việc ta thu thập được bao nhiêu, mà ở việc ta dám vứt đi bao nhiêu. Cổng kiểm soát đầu vào không phải một tính năng phụ. Nó là hàng thủ. Và mọi hàng thủ đều thua ở đúng một khoảnh khắc lơ là.