Tokenization
토큰화
Tokenization은 문자열을 모델이 처리할 수 있는 Token 단위로 분해하는 과정입니다. 현대 LLM은 흔히 단어 전체보다 Subword 단위를 사용합니다.
WHY SHOULD I KNOW THIS?
왜 알아야 하나?
NLP을 이름만 암기하지 않고 실제 데이터가 변환되는 과정을 이해하기 위한 핵심 연결점입니다. 이후 Transformer·LLM 학습에서 이 흐름이 반복해서 사용됩니다.
WHERE IS IT USED?
어디에 사용되나?
텍스트 분석검색번역Language Model
10.04 CONCEPT VIEW
Token
이 Topic은 이후 실제 계산/시각화 학습 시뮬레이션으로 확장됩니다.
NeuralScope learns attention
↓ TOKENIZE
101Neural102Scope103 learns104 atten105tion
TOKENIZER
Token count = 5
Text → Token → Token ID
분할 단위가 작을수록 vocabulary 부담은 줄지만 sequence는 길어집니다.
Text → Token → Token ID
분할 단위가 작을수록 vocabulary 부담은 줄지만 sequence는 길어집니다.
INTERACTIVE CONCEPT LABNLP PIPELINE
CURRENT STAGE1 / 6 · Text
Token
노드를 클릭하거나 PLAY FLOW를 눌러 정보가 어떻게 이동하는지 단계별로 확인하세요. 슬라이더는 시각적 영향도를 조절합니다.
이 Topic에서 알아야 할 핵심
✓Token
✓Tokenizer
✓Subword
✓Special token
이해 확인 질문
Q1왜 단어 단위만 사용하지 않는가?
Q2같은 문장도 tokenizer에 따라 token 수가 달라지는 이유는?
CATEGORY
NLP FOUNDATION텍스트가 모델이 계산할 수 있는 토큰과 벡터로 변환되는 과정을 학습합니다.
CURRENT PATH
10.04 Tokenization이 Topic의 위치와 앞뒤 순서를 항상 Curriculum 기준으로 유지합니다.