Nhãn sai trong dữ liệu bóng đá: Bài học từ câu chuyện Kaia Gerber

Hôm nay không có trận đấu nào để bàn. Thay vào đó, tôi muốn kể về một mảnh dữ liệu bị đặt nhầm chỗ, và những gì nó nói lên về cách ngành công nghiệp phân tích thể thao đang xử lý thông tin. Ngày 20/9, Presley Gerber, anh trai người mẫu Kaia Gerber, được tìm thấy bất tỉnh tại cơ sở Resolutions Living. Anh qua đời ở tuổi 27. Cảnh sát mở cuộc điều tra theo hướng nghi ngờ dùng quá liều. Kaia, theo nguồn tin từ Daily Mail, đã hoãn rất nhiều công việc đã lên lịch. Cô được cha mẹ, Cindy Crawford và Rande Gerber, cùng bạn trai Lewis Pullman và bạn bè lâu năm hỗ trợ. Một nguồn tin khác cho biết gia đình lo lắng cho tinh thần của cô. Đó là một câu chuyện buồn, nhưng nó thuộc về chuyên mục giải trí. Thế nhưng trong một bản phân tích dữ liệu thể thao được tự động phân loại, bài viết này lại mang nhãn 'football'. Không có một chi tiết bóng đá nào. Không cầu thủ, không câu lạc bộ, không thống kê trận đấu, không chuyển nhượng. Chỉ có một gia đình đang đối diện với mất mát. Câu chuyện của Kaia Gerber không liên quan đến sân cỏ. Vậy tại sao nhãn bóng đá lại xuất hiện? Khi một bài báo không có bất kỳ thực thể thể thao nào vẫn được gắn nhãn này, vấn đề nằm ở quy trình trích xuất thực thể và kiểm soát chất lượng dữ liệu. Một thuật toán có thể gán nhãn dựa trên tần suất từ khóa, nhưng ở đây không có từ khóa bóng đá. Điều đó khiến tôi nghi ngờ rằng nhãn này đến từ một bước xử lý thủ công hoặc một bộ dữ liệu huấn luyện bị nhiễu. Trong mười hai năm quan sát các lò đào tạo trẻ, tôi đã thấy nhiều dữ liệu bị chôn vùi theo thời gian. Nhưng dữ liệu bị gán nhãn sai còn nguy hiểm hơn dữ liệu bị bỏ quên, bởi nó tạo ra những kết luận sai lầm tưởng như có cơ sở. Một nhà tuyển trạch có thể lọc hồ sơ theo nhãn và bỏ qua một tài năng thật. Một phòng truyền thông có thể dùng một bài viết nhiễu để đo lường dư luận. Một hệ thống đầu tư có thể đưa ra quyết định dựa trên một câu chuyện không hề thuộc về lĩnh vực của nó. Người ta thường đổ lỗi cho trí tuệ nhân tạo khi gặp những sai sót kiểu này. Nhưng AI không tự sinh ra nhãn sai; nó chỉ phản ánh dữ liệu đầu vào. Nếu đầu vào thiếu một lớp kiểm tra chéo, đầu ra sẽ tiếp tục nhân lên sai lầm. Lỗi nằm ở khâu thiết kế hệ thống, nơi con người quyết định dữ liệu nào được phép đi vào và dữ liệu nào phải bị chặn lại. Vài năm trước, tôi từng đối mặt với một quyết định tương tự khi phải giữ im lặng về một chi tiết nhạy cảm của một cầu thủ trẻ. Lúc đó tôi học được rằng việc loại bỏ thông tin có hại cũng quan trọng như việc tìm ra thông tin có giá trị. Một hệ thống phân loại tốt không chỉ biết nhận diện đúng; nó còn phải biết loại bỏ những thứ không thuộc về mình. Trong trường hợp này, bài viết về nỗi đau của gia đình Gerber không nên tồn tại trong bất kỳ danh mục bóng đá nào. Chúng ta đang sống trong thời đại của tự động hóa. Nhưng tự động hóa không thay thế được sự phán xét. Nó chỉ giúp chúng ta xử lý nhanh hơn. Nếu không có cơ chế kiểm tra chéo, nó sẽ giúp chúng ta sai nhanh hơn. Dựa trên kinh nghiệm dài hạn theo dõi dữ liệu bóng đá trẻ của tôi, một nhãn sai không bao giờ đứng một mình; nó kéo theo một chuỗi suy diễn sai. Điều quan trọng không phải là tránh xa dữ liệu. Điều quan trọng là đặt dữ liệu trong đúng ngữ cảnh. Một bài viết về mất mát của một gia đình không thể trở thành tư liệu bóng đá, dù bất kỳ thuật toán nào gắn nhãn lên nó. Có những mảnh dữ liệu nằm im hàng năm, chờ người biết cách lắp ghép; nhưng nếu chúng bị lắp sai, chúng sẽ trở thành những ngôi mộ vô danh. Mùa thu năm ấy không trả lời, nhưng giữ lại toàn bộ câu hỏi. Đội trẻ không có định mệnh, chỉ có những ngã rẽ bị bụi phủ. Dữ liệu cũng vậy. Nó không có lỗi; lỗi thuộc về người xếp nó vào sai ô. Và khi chúng ta nhận ra một mảnh ghép bị đặt sai, nghĩa vụ của chúng ta không phải là bào chữa cho hệ thống, mà là sửa lại nền móng. Trước khi thêm bất kỳ nhãn mới nào, hãy hỏi: thông tin này có thực sự nói về bóng đá không? Nếu câu trả lời là không, hãy để nó yên. Bởi một khi dữ liệu bị bóp méo, mọi thứ xây trên nó đều không vững.