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

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
TOKEN-001	10_Wiki/💡 Topics/AI	1.0	nlp ai tokenization llm preprocessing	2026-04-26

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 & RL Update)

• 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