Lỗi gắn nhãn trong luồng dữ liệu bóng đá: khi thuật toán đọc sai một bản tin

Ngày 24 tháng 9, một bản tin đến từ bang Puebla của Mexico đi qua bộ phân loại tự động của một luồng dữ liệu thể thao. Nó được gán nhãn "bóng đá". Bên trong không có đội bóng. Không có cầu thủ. Không có tỉ số. Không có biên bản trận đấu, không có một phút bù giờ nào. Nội dung kể về một vụ bắt cóc và một cái chết. Thuật toán vẫn gán nhãn, và cái nhãn ấy trôi tiếp xuống hạ nguồn mà không gặp một chốt chặn nào.

Đây không phải một chi tiết vặt vãnh. Trong bảy năm kiểm tra chéo các nguồn phát sóng khác nhau trước khi gõ dòng đầu tiên về một thẻ vàng, tôi học được rằng lỗi nghiêm trọng nhất trong nghề không phải là đọc sai một pha bóng, mà là để một bản tin không thuộc về sân cỏ đi vào hệ thống mà không ai chặn lại. Con số không biết nói dối, nhưng người ghi chép thì có thể — và lần này, người ghi chép là một cỗ máy.

Luồng dữ liệu bóng đá hiện đại không vận hành bằng tay. Hàng nghìn bản tin mỗi ngày đi qua các bộ gắn nhãn tự động trước khi tới bàn biên tập. Hệ thống rút trích từ khóa, đối chiếu với một danh mục có sẵn, và quyết định bài viết thuộc về đâu: kết quả trận đấu, thị trường chuyển nhượng, kỷ luật, hay văn hóa cổ động.

Cách làm ấy hiệu quả phần lớn thời gian. Vấn đề nằm ở phần nhỏ còn lại. Khi một bản tin chứa những từ ngữ trùng với tên của một trường đại học từng có đội bóng, hoặc trùng với tên một thị trấn từng xuất hiện trong giải hạng thấp, bộ gắn nhãn có thể nhầm. Trong trường hợp Puebla, hai mảnh ghép trùng khớp: một trường đại học công lập, và một địa danh. Cả hai đều từng gắn với bóng đá Mexico trong quá khứ. Cả hai đều không mang nghĩa bóng đá trong bản tin này. Không có đội bóng nào được nêu tên. Không có cầu thủ, huấn luyện viên, giải đấu, hợp đồng, hay bảng xếp hạng nào xuất hiện.

Trường hợp này còn phơi ra một vấn đề lớn hơn: nhiều đường ống phân loại không có ô dành cho "xã hội" hay "tội phạm". Khi không có chỗ để đặt, mọi thứ sẽ rơi vào nơi gần nhất — và với nội dung có vài token trùng khớp, nơi gần nhất thường là thể thao. Tôi gọi đó là lỗi dương tính giả ở cấp độ token, một lỗi không hiếm như ta tưởng, và cũng không dễ phát hiện, bởi nó không tạo ra thông báo lỗi nào. Hệ thống không biết mình sai. Nó chỉ biết mình đã khớp.

Để hình dung quy mô: nếu một luồng tiếp nhận vài nghìn mục mỗi ngày, và chỉ một phần trăm nhỏ trong đó bị gán sai, thì sau một mùa giải, con số ấy đủ để làm lệch bất kỳ thống kê tổng hợp nào xây trên nó. Khán giả vắng mặt, trọng tài vẫn phải căng mắt — nhưng cỗ máy thì không có mắt để căng.

Điều đáng nói là hậu quả không dừng ở việc một bài báo bị đặt sai chỗ. Một mục bị gán sai sẽ bị đưa vào đúng cái kho dữ liệu mà các mô hình huấn luyện về sau dùng để học. Nếu trong kho ấy lẫn những bản tin không phải bóng đá, mô hình sẽ học cả những mẫu câu không thuộc về bóng đá. Sai sót nhỏ, nhưng có ngày hết hạn — và lần này ngày hết hạn là ngày mô hình bị kiểm tra.

Trong bảy năm làm phóng viên kỷ luật, tôi luôn chạy một bước kiểm tra trước khi tin bất cứ con số nào: nó có thuộc về trận đấu không, trận đấu có thật không, và nguồn có ít nhất hai nơi độc lập xác nhận không. Bước thứ hai — trận đấu có thật không — nghe có vẻ thừa, cho tới khi ta nhận ra rằng một cỗ máy không bao giờ tự hỏi câu ấy.

Hồi tháng 6 năm 2026, khi La Liga trở lại sau đại dịch, tôi xây một bảng tính gồm 214 trận để đo tác động của việc thiếu khán giả lên số thẻ phạt. Một đồng nghiệp hỏi vì sao tôi không lấy luôn dữ liệu có sẵn trên mạng. Câu trả lời rất đơn giản: dữ liệu có sẵn không đi kèm bảo đảm rằng nó thuộc về đúng thứ tôi đang đo. Tôi phải tự xác minh từng dòng, từng trận, từng thẻ. Kết quả cho thấy tỉ lệ thẻ vàng giảm 12% so với mùa trước — nhưng chỉ vì tôi đã loại ra những mục không thuộc về mẫu. Nếu để lẫn, con số 12% ấy đã có thể là một con số khác, và không ai kiểm chứng lại được.

Đường ống tự động không có khái niệm "không thuộc về đây". Nó chỉ có khái niệm "khớp" hay "không khớp". Với nó, một bản tin chứa chữ "đại học" và một địa danh là đủ để đi qua. Nó không có cơ chế dừng lại để hỏi: bài này có đội bóng không, có cầu thủ không, có ai làm nghề bóng đá không? Câu hỏi ấy chỉ có người đặt ra được. Và khi không ai đặt ra, hệ thống mặc định rằng câu trả lời là có.

Người ta xem cầu thủ chạy, tôi xem họ dừng lại đúng lúc nào. Với dữ liệu cũng vậy: điểm quan trọng không phải là nó chảy nhanh tới đâu, mà là nó có dừng lại đúng chỗ để bị kiểm tra hay không. Sự hỗn loạn của một luồng tin là bề mặt, bên dưới là quy luật của những con số — và những con số ở đây đang nói rằng tỉ lệ lỗi gắn nhãn trong các hệ thống tự động không hề nhỏ.

Một chi tiết nữa đáng lưu ý: bản tin Puebla có nguồn tương đối rõ ràng — các cơ quan chức năng bang, chính quyền địa phương, và một phát biểu trực tiếp của gia đình. Nó không phải tin đồn. Nó chính xác về phương diện sự kiện, chỉ là sai về phương diện phân loại. Đây chính là kiểu lỗi khó phát hiện nhất: một mục đúng sự thật nhưng nằm sai ngăn. Và cái ngăn sai ấy, theo thời gian, sẽ định hình cách một hệ thống hiểu về bóng đá.

Tôi không tin vào may mắn; tôi tin vào băng ghi hình tua chậm. Trong bóng đá, trọng tài có VAR để xem lại. Trong luồng dữ liệu, ta cần một cơ chế tương đương: một bước dừng bắt buộc trước khi bất cứ mục nào được nhận vào kho. Bước ấy phải do con người thiết kế, không phải do thuật toán tự quyết. Nhưng cái bước ấy không tồn tại, và không tồn tại một cách có hệ thống.

Có một lập luận dễ nghe: lỗi gắn nhãn không quan trọng, vì con người ở khâu cuối sẽ phát hiện ra. Tôi không tin.

Con người phát hiện ra lỗi chỉ khi họ đọc. Nhưng phần lớn dữ liệu trong luồng không bao giờ được đọc — nó chỉ được đếm, được tổng hợp, được đưa vào bảng. Một bài báo bị gán sai có thể nằm yên trong kho hàng tháng trời mà không ai mở, cho tới khi một mô hình rút ra một kết luận sai từ nó. Lúc ấy, không ai truy được về nguồn, vì cái nhãn vẫn nằm nguyên đó như một sự thật.

Trớ trêu thay, chính cảm xúc lại là thứ khiến lỗi này lan nhanh. Những bản tin gây sốc, gây phẫn nộ, gây tò mò thường được chia sẻ nhiều nhất — và đó cũng là những bản tin dễ lọt qua bộ gắn nhãn nhất, vì chúng chứa nhiều từ khóa nổi bật. Nếu để tiêu chí "độ phổ biến" dẫn dắt việc gắn nhãn, ta sẽ có một luồng dữ liệu quy tụ đúng những bài ít liên quan nhất tới bóng đá, nhưng lại ồn ào nhất.

Ở đây có một ranh giới mỏng giữa cảm xúc và luật lệ. Trong bóng đá, trọng tài không thể rút thẻ vì đám đông la ó; họ rút thẻ vì luật. Luật ấy có sẵn, viết ra, kiểm tra được. Trong luồng dữ liệu, chưa có một "luật" như vậy cho việc gắn nhãn. Chưa có định nghĩa rõ ràng về cái gì làm nên một mục bóng đá. Chưa có tiền lệ được ghi lại. Chưa có cơ chế khiếu nại cho những mục bị gán sai. Một hệ thống không có luật thì không thể bị bắt lỗi — và một hệ thống không thể bị bắt lỗi thì sẽ sai mãi.

Tôi đã từng ghi sai số thẻ của một cầu thủ và phải ngồi hai tuần rà lại 47 tình huống phạm lỗi trong một trận. Tôi kể lại chuyện ấy không phải để xin thông cảm, mà để nói rằng mọi lỗi dữ liệu đều có giá, và giá ấy chỉ được trả khi có người chịu trách nhiệm. Trong bóng đá, có những chiến thắng mà không ai phát hiện ra — và cũng có những sai sót mà không ai nhìn thấy, cho tới khi chúng đã quá muộn.

Câu hỏi tôi mang theo sau khi đọc bản tin Puebla không phải là làm sao dạy cỗ máy đọc tốt hơn. Đó là câu hỏi dễ. Câu hỏi khó hơn là: ai chịu trách nhiệm khi một cỗ máy gán sai nhãn, và bằng cách nào ta phát hiện ra lỗi ấy trước khi nó trở thành một kết luận? Một trận đấu dài 90 phút, nhưng kỷ luật thì kéo dài cả mùa giải — và với dữ liệu, kỷ luật ấy còn phải kéo dài hơn thế. Nếu ngành công nghiệp này thật sự coi trọng con số, thì việc đầu tiên cần làm là bảo đảm rằng con số ấy thuộc về đúng trận đấu.