2nd/10_Wiki/Topics/AI_and_ML/Tokenization-Strategies.md

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-strategies	Tokenization Strategies	10_Wiki/Topics	needs_review	self	TOKEN-001	none	A	1.0	nlp ai tokenization llm preProcessing		2026-04-26	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)	language framework unspecified unspecified

Tokenization Strategies (토크나이징 전략)

📌 한 줄 통찰 (The Karpathy Summary)

"언어의 최소 의미 단위를 효율적으로 수치화하라" — 비정형 텍스트를 AI 모델이 처리할 수 있는 가장 작은 의미 단위(Token)로 분절하고, 이를 정수(ID)로 변환하는 전략적 전처리 과정.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: 어휘 사전의 크기와 정보 손실 사이의 균형을 맞추어, 미등록 단어(OOV) 문제를 해결하고 문맥 파악 능력을 극대화하는 분절 패턴.
• 주요 전략:
  • Word-based: 단어 단위로 분절. 어휘 사전이 비대해지고 새로운 단어에 취약함.
  • Character-based: 글자 단위로 분절. 정보 손실은 없으나 시퀀스가 너무 길어짐.
  • Subword-based: 단어를 더 작은 조각으로 나눔. 현대 LLM의 표준 (예: BPE, WordPiece, SentencePiece).
  • Byte-Pair Encoding (BPE): 자주 등장하는 문자열 조합을 하나의 토큰으로 병합하여 효율적인 사전을 구축.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 과거 데이터와의 충돌: 단순한 띄어쓰기 기반의 형태소 분석에서, 최근에는 언어에 상관없이 바이트 수준에서 작동하는 다국어 대응 토크나이저로 발전.
• 정책 변화: Antigravity 프로젝트는 다국어 위키 문서의 일관된 처리를 위해 SentencePiece와 같은 언어 독립적 토크나이징 전략을 채택함.

🔗 지식 연결 (Graph)

• NLP, Word-Embeddings, Transformer-Architecture, LLM
• Raw Source: 10_Wiki/Topics/AI/Tokenization-Strategies.md

🤖 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)