Ngành dữ liệu thể thao vấp lỗi gắn nhãn: Chris Rock lọt vào chuyên mục bóng đá

Trên bảng điều khiển theo dõi nội dung thể thao mà tôi mở mỗi sáng, một cái tên nằm chình ình giữa các cột chỉ số: Chris Rock. Không phải một cầu thủ trùng tên, cũng không phải một huấn luyện viên nào đó bên lề giải đấu. Đúng là nam danh hài người Mỹ. Bài viết đi kèm được hệ thống gắn nhãn "bóng đá", xếp ngay cạnh những bản tin chuyển nhượng và phân tích chiến thuật. Tôi mở toàn bộ nội dung ra đọc. Không một đội bóng, không một cầu thủ, không một trận đấu. Chỉ có một cuộc trò chuyện về văn hóa, về sự tha thứ và công lý xã hội, phát ra từ một podcast của tờ New York Times.

Với một người làm nghề đọc dữ liệu không gian như tôi, sự cố này không đơn thuần là một lỗi nhỏ. Nó là tín hiệu cho thấy đường ống phân loại nội dung thể thao đang vỡ ở một mối nối nào đó, và vết vỡ ấy có thể lan ra toàn bộ chuỗi giá trị phía sau.

Chris Rock xuất hiện trong chương trình The Interview của New York Times, trò chuyện với nhà báo David Marchese, nhân dịp quảng bá bộ phim Misty Green — tác phẩm ông vừa viết kịch bản, vừa đạo diễn, vừa đóng vai chính. Trong cuộc trò chuyện, ông nói về cái mà ông gọi là "Woke 1.0" thời kỳ George Floyd, về việc các ý tưởng công lý xã hội bị thể chế hóa, và so sánh với cuộc săn phù thủy Salem. Đó là một chủ đề văn hóa, giải trí, chính trị. Nó thuộc về chuyên mục văn hóa. Nó chẳng liên quan gì đến bóng đá.

Ấy vậy mà nó lọt vào feed bóng đá.

Ngành công nghiệp nội dung thể thao hiện đại vận hành bằng phân loại tự động. Mỗi ngày, hàng trăm nghìn bài viết, video, dòng trạng thái được thu thập, gắn nhãn, rồi đẩy về các sản phẩm khác nhau: ứng dụng tin tức, bảng tỷ lệ kèo, bản tin tóm tắt cho người hâm mộ, hệ thống gợi ý của các nền tảng phát trực tuyến. Một cái nhãn sai không nằm im. Nó theo dòng chảy đi khắp hệ thống, từ khâu thu thập đến khâu hiển thị.

Điều đáng nói là quy trình này được thiết kế để chạy nhanh, không phải để chạy đúng. Tốc độ là lợi thế cạnh tranh. Một tòa soạn đẩy tin chậm hơn đối thủ vài phút có thể mất hàng nghìn lượt đọc. Chính áp lực ấy khiến bước kiểm tra cuối cùng — bước mà con người phải ngồi lại và tự hỏi "bài này có thực sự thuộc chuyên mục này không" — thường bị bỏ qua.

Cần nói rõ về nguồn: thông tin đến từ một trang tổng hợp, dẫn lại cuộc phỏng vấn gốc của New York Times. Tức là nó đã đi qua hai tầng trung gian trước khi tới tay tôi. Mỗi tầng trung gian là một cơ hội để sai lệch, và cũng là một cơ hội để gắn nhãn cẩu thả.

Để hiểu vì sao chuyện này quan trọng, cần nhìn vào cách dữ liệu thể thao tạo ra giá trị. Không gian là tiền tệ, áp suất là lãi suất. Mỗi ô nội dung được cấp cho một độc giả là một ô bị lấy đi khỏi một nội dung khác. Khi một bài về Chris Rock chiếm chỗ trong feed bóng đá, thiệt hại không dừng ở cảm giác khó chịu: nó đẩy lùi một bản tin chuyển nhượng, một phân tích trước trận, hoặc một thống kê mà người hâm mộ thực sự cần.

Hậu quả nghiêm trọng hơn nằm ở tầng dữ liệu. Các mô hình dự đoán, các bảng xếp hạng chỉ số, các sản phẩm phân tích đều học từ kho nội dung đã gắn nhãn. Nếu tập dữ liệu huấn luyện lẫn rác văn hóa vào nhóm bóng đá, mô hình sẽ dần nhiễm độc. Ban đầu chỉ là một bài lạc loài. Sau vài tháng, nó thành nhiễu hệ thống. Đến lúc đó, việc sửa chữa không còn là xóa một bài, mà là đào lại toàn bộ lịch sử gắn nhãn.

Dữ liệu không biết nói dối, nhưng nó cũng không bao giờ kể chuyện. Một cái nhãn sai là lời nói dối được viết bằng cấu trúc, chứ không bằng ngôn từ. Người dùng không nhìn thấy nó, nhưng thuật toán phía sau thì tin nó tuyệt đối.

Trong 41 năm quan sát ngành, tôi đã chứng kiến nhiều dạng sai lệch. Có lần tôi dành chín tuần đóng cửa phòng làm việc, thu thập dữ liệu từ 82 trận đấu không khán giả thời đại dịch để so với 153 trận trước đó, chỉ để chứng minh rằng lợi thế sân nhà tụt từ 43% xuống 37% không phải do cảm giác. Cái tôi rút ra không nằm ở chỉ số đó, mà ở kỷ luật kiểm chứng. Không có bước kiểm chứng, mọi kết luận đều là phỏng đoán đội lốt phân tích.

Sự cố Chris Rock cho thấy bước kiểm chứng ấy đang bị bỏ qua ở khâu đầu vào. Một hệ thống đủ tốt phải tự hỏi: trong bài này có thực thể bóng đá nào không? Có đội, có cầu thủ, có giải đấu, có trận đấu không? Nếu câu trả lời là không, nó phải dừng lại, chứ không được phép gán nhãn "bóng đá" chỉ vì bài viết tình cờ nhắc đến một từ khóa nào đó.

Tôi đã từng nói về chuyện này theo một cách khác: Sân cỏ không nói dối, chỉ có người dẫn chuyện thêu dệt. Ở đây, người dẫn chuyện không phải một nhà báo thiên vị, mà là một thuật toán gắn nhãn cẩu thả. Nó thêu dệt bằng metadata.

Ở Hàn Quốc, nơi tôi hành nghề, các tòa soạn thể thao vẫn giữ một tầng biên tập viên trực tiếp kiểm tra chuyên mục trước khi xuất bản. Ở Việt Nam, thị trường nội dung thể thao đang bùng nổ với tốc độ nhanh hơn cả hạ tầng kiểm soát. Cả hai nền đều đối mặt cùng một câu hỏi: tốc độ hay độ chính xác? Đẩy nhanh mà gắn nhãn sai thì cái giá phải trả không nằm ở bài viết, mà ở niềm tin.

Có một chi tiết tôi không muốn bỏ qua. Bóng đá và esports chỉ khác nhau ở bề mặt sân, còn hệ thống bên dưới thì đều chảy theo quy luật. Cùng một loại lỗi gắn nhãn xuất hiện ở cả hai nơi: một clip giải trí lọt vào danh sách trận đấu, một bình luận xã hội lọt vào bảng phân tích hiệu suất. Cái sai không nằm ở nội dung bị lọt, mà ở hệ thống phân loại đã để nó lọt qua.

Góc phản trực giác nằm ở chỗ này: lỗi gắn nhãn có thể không phải là sự cố kỹ thuật đơn thuần, mà là triệu chứng của một mô hình kinh doanh. Nội dung thể thao đang bị thúc đẩy bởi nhu cầu khối lượng khổng lồ. Mỗi giây, hệ thống cần thêm bài để giữ chân người dùng, để bán quảng cáo, để nuôi thuật toán đề xuất. Khi khối lượng là vua, chất lượng phân loại trở thành chi phí bị cắt trước tiên.

Nghịch lý là càng đổ nhiều nội dung vào feed, ranh giới giữa thể thao và giải trí càng mờ. Một buổi phỏng vấn về điện ảnh lọt vào chuyên mục bóng đá. Một bài tạp chí về thời trang lọt vào chuyên mục chuyển nhượng. Đến một lúc nào đó, "chuyên mục" chỉ còn là cái nhãn dán lỏng lẻo, còn người đọc thì lạc lối giữa những thứ không liên quan đến thứ họ tìm.

Có thể có người cho rằng đây là chuyện nhỏ, một bài lạc chỗ thì xóa đi là xong. Tôi không nghĩ vậy. Trong một hệ thống, sai sót nhỏ ở đầu vào luôn phóng đại ở đầu ra. Một nhãn sai hôm nay là một quyết định sai trong một mô hình đầu tư, một bảng tỷ lệ kèo lệch, một bản tin khiến cổ động viên hiểu nhầm về đội bóng của mình vào ngày mai.

Và nếu nhìn kỹ, ta sẽ thấy một điều khó chịu hơn: sự cố này không phải do máy móc ngu dốt, mà do con người thiết kế máy móc để ưu tiên khối lượng hơn chân lý. Tôi không nhìn thấy tương lai, tôi chỉ đọc được cấu trúc của hiện tại. Cấu trúc hiện tại đang nói rằng một bài về Chris Rock có thể mang nhãn bóng đá, và không ai phải chịu trách nhiệm.

Điều tôi muốn thấy ở mùa giải tới không phải một thuật toán thông minh hơn, mà một cổng kiểm chứng ở khâu đầu vào: mọi nội dung muốn mang nhãn "bóng đá" phải chứng minh nó có ít nhất một thực thể bóng đá. Chiến thắng chỉ là một điểm dữ liệu, văn hóa đội bóng mới là toàn bộ tập dữ liệu. Và một nền văn hóa dữ liệu lành mạnh bắt đầu từ việc thừa nhận một bài về Chris Rock không phải là bóng đá.

Câu hỏi cho lần kiểm chứng tiếp theo: khi hệ thống của bạn gắn nhãn sai một lần, bạn sửa cái nhãn, hay sửa cái quy trình tạo ra nó?