Lỗi gắn nhãn trong dữ liệu bóng đá: bài học từ một bản tin bị phân loại sai

Tháng 10, trong căn phòng làm việc nhỏ ở Valencia, tôi mở bảng dữ liệu thường lệ trước buổi tập sáng của Levante. Cột phân loại ghi “football”. Nội dung bên trong là một bản tin về chiến dịch truy quét an ninh tại huyện Kalat và huyện Gwadar, tỉnh Balochistan, Pakistan. Một thiếu tá 34 tuổi tên Wajahat Waheed, quê Lahore, thiệt mạng trong một vụ nổ thiết bị nổ tự chế. Bên dưới là tuyên bố chia buồn của Tổng thống Asif Ali Zardari và Thủ tướng Shehbaz Sharif, cùng thông cáo của ISPR, cơ quan truyền thông của quân đội Pakistan. Không có câu lạc bộ nào trong đó. Không có cầu thủ nào. Không có một phút bóng đá nào. Bảng dữ liệu ấy hình thành từ một dây chuyền có thật: thu thập văn bản, tách thực thể, gắn nhãn lĩnh vực, rồi chuyển xuống tầng phân tích phía sau, nơi các mô hình chiến thuật, chỉ số cầu thủ và định giá chuyển nhượng chờ sẵn để tiêu thụ. Một bản tin về cái chết của một sĩ quan đã đi trọn dây chuyền đó mà không bị chặn ở bất kỳ khâu nào. Tôi ngồi im vài phút trước màn hình. Mười ba năm làm nghề, năm năm bám sân tập và phòng họp báo ở Tây Ban Nha, tôi đã quen kiểm tra từng chỉ số trước khi viết một dòng. Nhưng thứ đang hiện trên màn hình nằm ở tầng thấp hơn một chỉ số sai. Nó là chỗ hệ thống chưa từng tự hỏi mình đang đọc cái gì. Năm 2026, khi mới vào nghề ở các đài phát thanh địa phương, tôi ghi chép bằng sổ tay. Mỗi buổi tập của lứa Juvenil A ở lò Levante, tôi kẻ bảng: tên, số áo, số đường chuyền chính xác, số lần chạm bóng, nhịp chạm trung bình mỗi hiệp. Ở lò Levante, tôi học cách nhìn một cậu bé đá bóng ba tiếng chỉ để hoàn thiện nhịp chạm. Thời đó, dữ liệu do con người tạo ra, và người tạo ra nó biết rõ nó sẽ được dùng vào việc gì. Mười năm sau, phần lớn việc đó do máy làm. Một trận La Liga sinh ra hàng nghìn sự kiện được ghi tự động: toạ độ chạm bóng, hướng đường chuyền, số lần gây áp lực, quãng chạy chia theo ba ngưỡng cường độ. Segunda División có độ phủ mỏng hơn, nhưng vẫn đủ để dựng bảng so sánh mà các câu lạc bộ mang vào phòng đàm phán. Kỳ chuyển nhượng là lúc dây chuyền chạy hết công suất, vì mỗi giờ lại có thêm hồ sơ, thêm tin đồn, thêm một bản ghi cần phân loại trước khi ai đó kịp đọc. Tháng 3/2026, tôi dành bốn tháng ghi chỉ số của một tiền vệ 17 tuổi tên Andrés Molina, số áo 16. Cậu đạt tỷ lệ chuyền chính xác 91% nhưng chỉ đá ba trận trong nửa mùa, vì huấn luyện viên cho rằng cậu quá chậm. Tôi lập bảng so sánh với bốn mẫu tiền vệ khác cùng lứa, cùng giải, và thấy một chuyện: tốc độ của Molina thấp nhất nhóm, nhưng số lần cậu nhận bóng trong tư thế quay lưng về khung thành đối phương lại cao nhất. Huấn luyện viên đọc tốc độ. Cậu bé đọc khoảng trống. Bốn tháng ghi chép của tôi không tạo ra một ngôi sao, nhưng nó tạo ra một dòng dữ liệu đúng — và dòng đó chỉ đúng vì có một người ngồi lại kiểm tra. Ở Primera RFEF, nơi tôi từng ngồi cả mùa trên khán đài không mái che, dữ liệu vẫn được ghi bằng tay trên giấy rồi nhập lại sau trận. Những cầu thủ ở đó bước vào kỳ chuyển nhượng với hồ sơ mỏng hơn nhiều so với một cầu thủ cùng tuổi ở học viện lớn. Khi dây chuyền tự động hoá, khoảng cách ấy không thu hẹp. Nó chỉ trở nên khó nhìn hơn, vì cả hai bên giờ đều có một bảng số trông giống nhau. Trong năm năm theo dõi trực tiếp các trận ở Ciutat de València, tôi để ý một chuyện ít người viết: chất lượng dữ liệu không đồng đều theo hạng đấu. Một trận ở hạng cao có ba lớp ghi chép độc lập chồng lên nhau. Một trận ở hạng ba có khi chỉ còn một người bấm nút, và người đó thường là người duy nhất trong sân biết mình đang ghi cho ai. Trụ hạng không phải thứ hạng; nó là cách tỉnh lẻ vẫn ra sân khi không ai nhìn. Dữ liệu về họ cũng ra sân theo cách ấy — mỏng hơn, muộn hơn, ít người kiểm tra hơn. Khi một đầu dây chuyền mỏng đi, đầu kia buộc phải bù bằng tự động hoá. Đó là lý do hợp lý, và cũng chính là lý do khiến lỗi hôm nay trở nên đắt. Theo bản phân tích tôi có trong tay, lỗi bắt đầu ở bộ phân loại dựa trên từ khoá. Bản tin chứa các từ “operation”, “clearance”, “sanitisation”, “targeted”. Với một mô hình đọc từ khoá, đó là tín hiệu của bóng đá. Chữ “clearance” là ví dụ rõ nhất. Trong bóng đá, nó là pha phá bóng — một trung vệ đánh đầu ra biên trong tình huống cố định, hoặc một hậu vệ biên đá bổng qua vạch giữa sân khi bị ép. Trong ngôn ngữ an ninh, nó là chiến dịch truy quét và làm sạch khu vực. Cùng một chuỗi ký tự, hai thế giới không liên quan gì nhau. Bộ phân loại không phân biệt được, và nếu tầng sau có bảng thống kê pha phá bóng, nó sẽ ghi một chiến dịch quân sự vào cột hành động phòng ngự. Lỗi thứ hai nằm ở khâu khớp thực thể. Tên người là chuỗi ký tự, và những chuỗi như Waheed, Sharif, Zardari đều có xác suất trùng với tên cầu thủ trong từ điển thực thể bóng đá ở nhiều giải khác nhau. Thêm chữ “Major” đứng trước, hệ thống có thể đọc đó là biệt danh, là tên đội, hoặc một trường dữ liệu bị lệch cột. Tôi ghi tên từng cầu thủ trẻ vào sổ; mười năm sau, chúng là bản đồ một thế hệ. Cuốn sổ ấy không nhầm, đơn giản vì người viết biết mặt từng đứa trẻ và biết đứa nào đã rời tỉnh. Cơ sở dữ liệu thì không biết mặt ai. Lỗi thứ ba là nguồn. Toàn bộ thông tin về chiến dịch đến từ ISPR; các tuyên bố của tổng thống và thủ tướng chỉ nhắc lại, không kiểm chứng độc lập. Không có byline ký tên, không có nguồn đối chứng thứ hai. Trong nghề, đó là bản tin một nguồn. Với một hệ thống chấm điểm độ tin cậy, bản tin một nguồn phải bị hạ điểm và bị gắn cờ trước khi vào bất kỳ mô hình nào. Hệ thống ấy hoặc đã không chạy, hoặc đã chạy mà không ai đọc kết quả. Trong bóng đá, bản tin một nguồn là chuyện hằng ngày: một người đại diện nói, ba tờ báo đăng lại, và trong vòng hai giờ nó thành “thông tin từ nhiều nguồn”. Cùng một cơ chế khuếch đại, chỉ khác quy mô. Một người đại diện có động cơ để nói. Một cơ quan truyền thông quân đội cũng có động cơ để nói. Cả hai đều không tự động sai, nhưng cả hai đều không phải nguồn độc lập, và một dây chuyền tử tế phải ghi rõ điều đó ngay trên bản ghi. Ba lỗi ấy không phải ba lỗi riêng lẻ. Chúng là ba điểm mù quen thuộc của mọi dây chuyền dữ liệu thể thao: phân loại bằng bề mặt từ ngữ, khớp thực thể bằng trùng chuỗi, và tin vào nguồn mà không chấm điểm nguồn. Điều khiến tôi dừng lại không nằm ở bản thân lỗi. Nó là chỗ dây chuyền này đổ về. Cùng một đường ống cấp dữ liệu cho nhà cái, cho bảng tỷ lệ trực tiếp, cho các chỉ số hiển thị cạnh tên cầu thủ trong ứng dụng mà người hâm mộ mở mỗi tối. Dữ liệu trực tiếp cung cấp cho công ty cá cược là tác dụng phụ đen tối nhất của việc số hoá thể thao, và nó chỉ đen hơn khi một bản ghi sai lọt qua mà không ai biết. Một bản ghi sai không nằm im. Nó được nhân bản sang kho lưu trữ thứ hai, được nối vào hồ sơ cầu thủ, được dùng làm mẫu so sánh trong một bảng xếp hạng mà không ai kiểm tra lại nguồn gốc. Trong kỳ chuyển nhượng, những bảng như thế xuất hiện trong phòng họp của câu lạc bộ, đặt cạnh các dòng dữ liệu về điều khoản giải phóng hợp đồng và quỹ lương. Một dòng sai không làm hỏng một thương vụ. Nó làm hỏng cách người ta tin vào cả bảng. Các đơn vị giám sát tính toàn vẹn của cá cược sống bằng việc phát hiện biến động bất thường trước giờ bóng lăn. Họ cần dữ liệu sạch hơn bất kỳ ai. Một bản ghi gắn nhãn sai, đi qua một mô hình dự báo, có thể tạo ra một tín hiệu mà không ai giải thích được nguồn gốc — và tín hiệu không giải thích được nguồn gốc là thứ tệ nhất trong một hệ thống giám sát, vì nó buộc người ta phải chọn giữa bỏ qua và kết luận sai. Phản ứng quen thuộc trong ngành là đổ cho mô hình. Từ ngữ được dùng là “ảo giác”, “thiên lệch”, “máy hiểu sai”. Cách giải thích đó tiện cho tất cả mọi người và sai ở chỗ quan trọng nhất. Mô hình làm đúng việc nó được thiết kế để làm: tìm mẫu từ khoá và gắn nhãn theo xác suất. Nó không được trả tiền để biết mình đang đọc bản tin về cái gì. Chi phí của một dây chuyền dữ liệu chia làm ba phần: thu thập, xử lý, kiểm chứng. Hai phần đầu có thể mua bằng tiền và mở rộng bằng thuật toán. Phần thứ ba thì không, vì nó cần người biết đủ để nghi ngờ. Trong mọi bảng ngân sách tôi từng nhìn thấy ở các toà soạn thể thao, phần thứ ba là phần bị cắt trước. Chỗ hỏng nằm ở một dòng chi phí đã bị cắt âm thầm suốt mười năm: người đọc lại. Toà soạn cắt bàn biên tập viên kiểm lỗi. Nhà cung cấp dữ liệu bán “độ phủ” bằng số bản ghi chứ không bằng tỷ lệ đúng. Câu lạc bộ mua gói dữ liệu theo bảng giá, và trong hợp đồng không có điều khoản nào nói ai chịu trách nhiệm khi một bản ghi sai lọt vào mô hình định giá của họ. Không ai ký tên vào một bản ghi, nên không ai phải giải trình về nó. Và đây là chỗ tôi cho rằng ngành này đang nhìn nhầm hướng. Bản ghi nguy hiểm nhất không phải bản ghi bị phát hiện. Nó là bản ghi đã đi qua, đang nằm im trong một mô hình, và không ai có lý do để mở lại. Bản tin Balochistan bị chặn hôm nay là tin tốt. Điều đáng lo nằm ở số bản ghi như thế đã đi qua mà không bị chặn, và ở chỗ chúng ta không có cách nào đếm được. Ngày 1/7/2026, tại Luzhniki, Tây Ban Nha hòa Nga 1-1 sau 120 phút và thua 3-4 trên chấm luân lưu. Trước đó, họ thắng Ireland 3-2 ở loạt luân lưu vòng 16 đội World Cup 2026, thua Bỉ 4-5 năm 2026 và thua Hàn Quốc 3-5 cũng trong năm 2026. Cả một thế hệ kết luận về “bản lĩnh luân lưu” của một nền bóng đá dựa trên bốn dòng dữ liệu. Luân lưu là bản án tóm tắt của một trận đấu; quá khứ không cứu được ai trên chấm đen. Chúng ta tranh luận hàng giờ về bốn dòng đó, trong khi không ai kiểm tra cái nhãn gắn trên bản ghi gốc. Cùng lỗi ấy lặp lại ở thể thao điện tử, nơi một pha combat được gắn nhãn “quyết định” chỉ vì nó ồn ào, còn pha kiểm soát tầm nhìn âm thầm ở phút thứ mười hai thì không được ghi lại. Cùng một cơ chế: hệ thống thưởng cho thứ dễ nhận ra, không thưởng cho thứ quan trọng. Tín hiệu tôi sẽ theo dõi trong những tháng tới không nằm ở bảng xếp hạng. Nó nằm ở ba thứ nhỏ. Một ngưỡng tin cậy cho khâu gắn nhãn lĩnh vực, đủ để hệ thống được phép nói “tôi không chắc”. Một lớp “không thuộc nhóm nào” trong bộ phân loại, để bản tin an ninh không bị ép vào một ngăn thể thao. Và một bước kiểm tra trùng tên trước khi bất kỳ bản ghi nào được nhập vào từ điển thực thể cầu thủ. Ba thứ đó rẻ hơn một bản hợp đồng mùa đông và cứu được nhiều hơn một bảng chỉ số. Kỳ chuyển nhượng là lúc dây chuyền này chạy nhanh nhất và cũng là lúc người ta ít đọc lại nhất. Một tin đồn sai được sửa trong hai giờ, vì có người phải chịu trách nhiệm trước công chúng. Một cái nhãn sai thì ở lại rất lâu, vì không ai nghĩ phải kiểm tra nó. Trên bàn tôi vẫn còn cuốn sổ của mùa 2026. Trang cuối là danh sách mười bảy cái tên viết bằng bút bi, có ngày tháng bên cạnh, có ghi chú về chân trái và nhịp chạm. Không cái tên nào trong đó tự gắn nhãn cho mình. Con người gắn nhãn, và con người phải chịu trách nhiệm về cái nhãn ấy.