4.1 KiB
4.1 KiB
id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack
| id | title | category | status | canonical_id | aliases | duplicate_of | source_trust_level | confidence_score | tags | raw_sources | last_reinforced | github_commit | inferred_by | tech_stack | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| wiki-2026-0508-tokenization-subword-processing | Tokenization & Subword Processing | 10_Wiki/Topics | needs_review | self |
|
none | A | 1.0 |
|
2026-05-04 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
|
Tokenization & Subword Processing
📌 한 줄 통찰 (The Karpathy Summary)
"언어의 원자화: 인간의 문장을 모델이 이해할 수 있는 숫자 조각(Token)으로 분해하는 과정이며, 이 분해 방식의 효율성이 모델의 지능, 속도, 그리고 운영 비용을 결정짓는 AI의 첫 번째 관문."
📖 구조화된 지식 (Synthesized Content)
토큰화(Tokenization)는 텍스트를 모델이 처리할 수 있는 최소 단위인 토큰으로 나누는 과정입니다.
- 주요 방식:
- BPE (Byte-Pair Encoding): 가장 빈번하게 등장하는 문자 쌍을 반복적으로 병합하여 토큰 사전을 구축합니다. (GPT, Llama 등 표준)
- WordPiece: BPE와 유사하나, 병합 시 언어 모델의 우도(Likelihood) 증가량을 기준으로 선택합니다. (BERT 계열)
- SentencePiece: 사전 훈련 없이 텍스트 전반을 바이트 스트림으로 처리하여 다국어 및 미등록어(OOV) 대응에 강점이 있습니다.
- 의미적 단위:
- 현대 토크나이저는 단어 전체가 아닌 '하위 단어(Subword)' 단위를 사용합니다. 이를 통해 "unhappiness"를 "un", "happi", "ness"로 나누어 각 부분의 의미를 조합할 수 있게 합니다.
- 토큰 사전 크기 (Vocab Size):
- 사전이 너무 작으면 문장이 너무 많은 토큰으로 쪼개져 연산 효율이 떨어지고, 너무 크면 모델의 파라미터가 낭비됩니다. 보통 32k ~ 128k 사이에서 결정됩니다.
⚠️ 모순 및 업데이트 (Contradictions & Updates)
- 다국어 불균형: 영어는 단어당 토큰 수가 적지만, 한국어나 다른 언어는 동일한 의미라도 훨씬 많은 토큰으로 쪼개져 비용이 비싸고 성능이 저하될 수 있습니다.
- 비결정론적 이슈: 토크나이저의 사소한 차이가 모델의 산술 연산 능력이나 특수 문자 처리 능력에 큰 영향을 미칠 수 있습니다.
🔗 지식 연결 (Graph)
- 상위 개념: Natural Language Processing (NLP), Transformer Architecture
- 하위 시스템: Tokenization Economics
- 연관 물리 제약: Context Window & Long-Context LLMs, KV Cache
Last updated: 2026-05-04
🤖 LLM 활용 힌트 (How to Use This Knowledge)
언제 이 지식을 쓰는가:
- (TODO)
언제 쓰면 안 되는가:
- (TODO)
🧪 검증 상태 (Validation)
- 정보 상태: needs_review
- 출처 신뢰도: A
- 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)
🧬 중복 검사 (Duplicate Check)
- 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
- 처리 방식: UPDATE (자동 정규화)
- 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|---|---|---|---|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
💻 코드 패턴 (Code Patterns)
패턴 1: (TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)
# TODO
🤔 의사결정 기준 (Decision Criteria)
선택 A를 써야 할 때:
- (TODO)
선택 B를 써야 할 때:
- (TODO)
기본값:
(TODO)
❌ 안티패턴 (Anti-Patterns)
- [안티패턴]: (TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)