89 lines
3.4 KiB
Markdown
89 lines
3.4 KiB
Markdown
---
|
|
id: wiki-2026-0508-tokenization-strategies
|
|
title: Tokenization Strategies
|
|
category: 10_Wiki/Topics
|
|
status: needs_review
|
|
canonical_id: self
|
|
aliases: [TOKEN-001]
|
|
duplicate_of: none
|
|
source_trust_level: A
|
|
confidence_score: 1.0
|
|
tags: [nlp, ai, tokenization, llm, preProcessing]
|
|
raw_sources: []
|
|
last_reinforced: 2026-04-26
|
|
github_commit: pending
|
|
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
|
tech_stack:
|
|
language: unspecified
|
|
framework: 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|Transformer-Architecture]], [[LLM|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)*
|
|
|
|
```text
|
|
# 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)* |