CS336 14강 — 데이터 (2): 필터링·중복 제거·데이터 믹스

CS336-LLM-From-Scratch 시리즈의 14단계입니다. 전체 지도는 CS336 커리큘럼에서 볼 수 있습니다. (13강 — 데이터 (1)에서 이어집니다.)

13강이 “무엇을 모으나”(출처·수집·추출)였다면, 14강은 “어떻게 거르나”입니다. Common Crawl에서 긁어온 원석은 스팸·중복·독성·잡동사니로 가득 차 있어 그대로는 못 먹입니다. 이 강의를 관통하는 문제는 한 줄로 요약됩니다 — 목표 데이터 T와 닮은 부분집합 T′를, 거대한 raw 데이터 R에서 극도로 빠르게 골라내라. 그리고 역설적이게도 T와 T′는 같아선 안 됩니다. 우리가 가진 목표 예시(위키피디아·교과서 등)를 그대로 복제하는 게 아니라, 그와 닮은 방대한 새 텍스트를 모아 일반화해야 하기 때문입니다. 이 과제를 푸는 세 가지 기술 — 품질 필터링 · 중복 제거 · 데이터 믹스 — 을 차례로 봅니다.

정제는 좌에서 우로 좁아지는 깔때기다. 거대하고 잡음 많은 raw R이 품질 필터링 → 중복 제거 → 데이터 믹스를 거치며 부피가 줄어, 작고 깨끗한 학습 코퍼스만 남는다. 세 단계 모두 "목표와 닮은 것만 남기고 나머지는 버린다".

한눈에 보기

세 단계는 목적이 다릅니다 — 필터링은 좋은 텍스트를 고르고, 중복 제거는 같은 텍스트를 솎아 내고, 믹스는 도메인 비율을 조정합니다. 각 단계에는 저마다의 도구상자가 있고, 공통점은 하나 — 전부 초고속이어야 한다는 것입니다(R이 조 단위 토큰이므로).

flowchart LR
    R["raw 웹 R<br/>거대 · 노이즈"] --> F["① 품질 필터링<br/>목표 T와 닮은 부분집합"]
    F --> D["② 중복 제거<br/>효율 + 암기 억제"]
    D --> M["③ 데이터 믹스<br/>도메인 비율 = 능력"]
    M --> C["학습 코퍼스"]
    F -.-> FT["KenLM · fastText · DSIR"]
    D -.-> DT["Bloom filter · MinHash+LSH"]
    M -.-> MT["도메인 가중치 · DoReMi"]

핵심 긴장은 매 단계에서 반복됩니다 — 얼마나 빠른가 vs 얼마나 정교한가. n-gram은 빠르지만 거칠고, 분류기는 똑똑하지만 느리며, 근접 중복 제거는 정확하지만 무겁습니다.

문제 정의 — 빠르고 일반화되는 선택

형식적으로 쓰면 이렇습니다. 목표 데이터 T(원하는 텍스트의 예시, 예: 위키피디아·책·잘 쓰인 웹)와 거대한 raw 데이터 R(Common Crawl)이 주어졌을 때, R에서 T와 닮은 부분집합 T′ ⊂ R을 찾아라. 조건은 두 가지입니다.

일반화(T ≠ T′): T′는 T의 복제가 아니라 T와 같은 분포에서 나온 듯한 새 텍스트여야 합니다. 목표 예시 자체를 다시 긁어오는 게 아니라, 그 스타일·주제를 가진 방대한 신규 데이터를 모으는 게 목적입니다.
초고속: R은 조 단위 토큰입니다. 문서 하나당 무거운 모델을 돌릴 여유가 없습니다 — 그래서 이 강의의 도구들은 하나같이 가볍고 병렬화 가능한 것들입니다(n-gram 언어 모델, 선형 분류기, 해시).

이 두 제약이 이후 모든 설계 결정을 지배합니다. “정확하지만 느린” 방법은 애초에 후보에서 탈락합니다.

품질 필터링

첫 단계는 “이 텍스트가 좋은가”를 점수로 매겨 거르는 것입니다. 세 가지 대표 접근이 있습니다.

n-gram / KenLM. 가장 고전적입니다. 목표 코퍼스로 n-gram 언어 모델을 학습하고(Kneser-Ney 스무딩), 각 문서의 perplexity로 품질을 점수화합니다 — 목표와 닮은 텍스트일수록 perplexity가 낮습니다. CCNet은 이를 문단 단위로 적용해, perplexity가 가장 낮은 상위 1/3만 유지합니다(LLaMA도 이 방식을 썼습니다). n-gram은 학습·추론이 극도로 빠른 대신 표면적 통계만 봅니다.

KenLM 방식의 성격은 한 줄로 요약됩니다 — 빠르지만 거칠다(fast but crude). 문법·주제의 표면은 잡지만, 의미의 질은 못 잽니다.

fastText 분류기. 살짝 더 똑똑한 접근입니다. bag of word embeddings를 평균 내 hidden layer 하나를 거쳐 분류하는 얕은 신경망으로, “좋음/나쁨”(K=2) 이진 분류라면 사실상 선형 분류기가 됩니다. 어휘를 임베딩 테이블로 관리하는 대신 해싱 트릭(약 10M bins, MurmurHash)으로 n-gram을 버킷에 흩어 넣어 메모리를 절약합니다. 목표(positive) 예시와 raw(negative) 예시를 주고 학습시키면, 문서마다 “좋을 확률”을 초고속으로 뱉습니다.

DSIR (Data Selection via Importance Resampling). 통계적으로 가장 원리적인 방법입니다. 목표 분포 p와 제안(proposal) 분포 q가 있을 때, raw 데이터를 importance weight p(x)/q(x)에 비례해 리샘플링하면 결과적으로 목표 분포를 근사합니다.

importance weight:  w(x) = p(x) / q(x)      # p = target, q = proposal(raw)
선택 확률 ∝ w(x)  →  T와 닮은 문서일수록 뽑힐 확률↑
p, q 는 해시된 n-gram feature의 bag-of-words 분포로 근사 (과적합 회피)

p와 q를 해시된 n-gram feature 위에서 추정해 과적합을 피하는 것이 요령입니다. GLUE 실험에서 DSIR은 fastText를 소폭 상회했고, 단일 임계값이 아니라 분포를 맞추는 방식이라 데이터의 다양성을 더 잘 보존한다는 장점이 있습니다.

실제 랩들이 이 도구들을 어떻게 조합했는지가 흥미롭습니다.

사례	필터 구성	결과
GPT-3	Wiki·WebText·Books를 positive, Common Crawl을 negative로 분류기 학습. 임계값으로 자르지 않고 Pareto(α=9) 분포로 확률적 유지	CC를 통째 버리지 않고 “좋아 보이는 것”을 확률적으로 남김
phi-1	GPT-4에게 “교육적 가치“를 라벨링시켜 → CodeGen 임베딩 위 랜덤 포레스트로 확대	HumanEval 12.19% → 17.68%, 그것도 절반의 스텝으로
OpenMathText	LaTeX 규칙 + KenLM ppl < 15,000 + fastText 점수 0.17 임계	14.7B 토큰 확보. 1.4B 모델이 20배 큰 미필터 데이터로 학습한 모델을 상회

phi-1과 OpenMathText가 주는 교훈은 강렬합니다 — 잘 고른 소량이 대충 모은 대량을 이긴다. “교육적 가치”라는 추상적 기준조차 강한 모델(GPT-4)로 라벨을 만든 뒤 값싼 분류기로 확대하면 실전 필터가 됩니다.

언어 식별과 독성·PII

품질과 별개로, 코퍼스에서 원치 않는 것을 걸러야 합니다.

언어 식별(language ID). 대부분의 랩은 fastText 언어 식별기(176개 언어 지원)로 문서의 언어를 판별합니다. 예컨대 Dolma는 영어일 확률 p(en) ≥ 0.5인 문서만 남깁니다. 다만 언어 식별에는 약점이 뚜렷합니다 — 짧은 문장, 저자원(low-resource) 언어, 한 문서에 여러 언어가 섞인 code-switching, 그리고 서로 유사한 언어(말레이어 vs 인도네시아어)에서 자주 틀립니다. 이 필터가 곧 “누구의 언어를 남기는가”를 결정하므로 사회적 함의도 큽니다.

독성(toxicity)·NSFW. 유해 콘텐츠 필터는 대개 Jigsaw Toxic Comments 데이터로 학습됩니다. Dolma는 hate와 NSFW를 각각 잡는 두 개의 fastText 분류기를 씁니다.

PII 익명화. 이메일·IP 주소 등 개인식별정보는 정규식·규칙으로 탐지해 마스킹합니다. 완벽하진 않지만, 학습 데이터에 원본 PII가 그대로 남는 것을 줄이는 최소 방어선입니다.

중복 제거(Deduplication)

웹에는 같은 텍스트가 수없이 반복됩니다(미러 사이트·인용·보일러플레이트). 중복 제거는 두 가지 이유로 중요합니다.

효율: 같은 문장을 수천 번 학습하는 것은 연산 낭비입니다.
암기(memorization) 억제: 특정 텍스트가 너무 자주 나오면 모델이 그것을 통째로 외웁니다 — 저작권·프라이버시 위험이자 일반화의 적입니다. 중복 제거는 이 암기를 눌러 줍니다.

중복 제거의 설계 공간은 세 축으로 정리됩니다.

축	선택지
단위(unit)	문장 / 문단 / 문서 — 무엇을 “하나”로 볼 것인가
매칭 기준(match)	정확 일치 / 부분 문자열(substring) / 겹침 비율(예: Jaccard)
액션(action)	매칭된 것을 모두 제거 vs 하나만 남기기

정확 중복(exact). 가장 단순합니다. 텍스트를 해시(MurmurHash 등)해 같은 해시끼리 묶습니다. C4는 3-문장 스팬 단위로 중복을 찾아 하나만 남깁니다. 다만 주의할 함정이 있습니다.

문서 중간의 중복 스팬을 들어내면 문맥이 깨질 수 있다 — “하나만 남기기”가 항상 안전한 건 아니다. 어디를, 어떤 단위로 자르느냐가 텍스트 품질에 직결된다.

Bloom filter. 거대한 집합에서 “이거 본 적 있나?”를 메모리 효율적으로 판별하는 확률적 자료구조입니다. 비트 배열 하나에 여러 해시로 원소를 표시하며, 삽입만 가능(삭제 불가)합니다. 핵심 성질은 비대칭적입니다 — false negative는 없고(봤다면 반드시 “봤다”고 답함), false positive는 가능(안 본 것을 “봤다”고 오판할 수 있음)하되 그 확률을 튜닝할 수 있습니다.

최적 해시 개수:   k = ln2 · (m / n)        # m = 비트 수, n = 원소 수
false positive:  FP ≈ 0.5^k               # k를 키우면 FP는 지수적으로 감소

Dolma는 문단 단위 중복 제거에 FP = 1e-15라는 극단적으로 낮은 오판율을 씁니다 — 사실상 정확 중복 제거를 훨씬 적은 메모리로 해내는 셈입니다.

근접 중복(near-duplicate). 진짜 어려운 경우는 “거의 같지만 완전히 같지는 않은” 문서입니다(한 단어만 다른 두 기사 등). 유사도의 척도로는 집합의 Jaccard 유사도를 씁니다.

Jaccard(A, B) = |A ∩ B| / |A ∪ B|      # A, B = 문서의 n-gram(shingle) 집합

문제는 문서 쌍마다 Jaccard를 다 계산하면 O(문서²)이라 조 단위 코퍼스에선 불가능하다는 것. 여기서 두 아이디어가 결합됩니다.

MinHash: 각 집합에 대해 여러 해시 함수의 최솟값을 시그니처로 삼으면, 놀랍게도 두 시그니처가 같을 확률이 정확히 Jaccard 유사도가 됩니다 — Pr[h(A) = h(B)] = Jaccard(A, B). 즉 무거운 집합 비교를 값싼 해시 비교로 근사합니다.
LSH(Locality-Sensitive Hashing) 밴드 구조: n개의 MinHash를 b개 밴드 × r행(n = b·r)으로 쪼갭니다. 한 밴드 전체가 일치하면 후보로 잡고(AND — 밴드 안 r개가 다 같아야), 여러 밴드 중 하나라도 걸리면 후보로 올립니다(OR — b개 밴드 중 하나만 걸려도). 이 AND-OR 조합이 유사도에 대한 가파른 S-곡선 임계를 만듭니다.

P(두 문서가 최소 한 밴드에서 충돌) = 1 − (1 − s^r)^b
  s = 두 문서의 Jaccard 유사도
  r = 밴드당 행 수,  b = 밴드 수,  n = b·r = 전체 MinHash 수
  근사 임계 유사도 ≈ (1/b)^(1/r)
  → r 를 키우면 임계가 오른쪽으로·곡선이 더 급경사, b 를 키우면 임계가 왼쪽으로

DALL-E의 학습 데이터 중복 제거가 좋은 예입니다 — n = 9000, b = 20, r = 450으로 두면 임계 유사도가 ≈ 0.99가 됩니다. 즉 “거의 완전히 같은” 문서만 중복으로 잡고 나머지는 살립니다. b와 r을 조절하는 것만으로 “얼마나 비슷해야 중복인가”를 원하는 지점에 정확히 놓을 수 있다는 것이 LSH의 힘입니다.

LSH의 충돌 확률 P(s) = 1 − (1 − s^r)^b는 유사도 s에 대한 S자 곡선이다. 낮은 유사도에선 거의 0(문서를 살림), 임계를 넘으면 급격히 1로(중복으로 버림). r을 키우면 임계가 오른쪽으로 밀리며 곡선이 더 가팔라지고, b를 키우면 임계가 왼쪽으로 이동한다 — b·r을 조절해 "얼마나 비슷해야 중복인가"를 원하는 지점에 놓는다.

데이터 믹스(Data Mixing)

마지막 손잡이는 도메인 비율입니다. 최종 코퍼스에서 웹·코드·책·논문·수학이 각각 몇 %를 차지하느냐가 모델의 능력을 조형합니다 — 코드를 늘리면 추론이 좋아지고, 책을 늘리면 장문 이해가 좋아지는 식입니다. 문제는 이 비율을 어떻게 정하느냐입니다.

DoReMi. 손으로 비율을 튜닝하는 대신, 작은 프록시 모델로 group-DRO(distributionally robust optimization)를 돌려 도메인 가중치를 학습합니다. 직관적으로는 “지금 가장 못하는(손실이 높은) 도메인에 가중치를 더 준다”는 식으로 최악 도메인을 끌어올리는 가중치를 찾고, 그 가중치를 본 게임의 데이터 믹스로 씁니다. 값비싼 수작업 스윕을 작은 모델의 자동 탐색으로 대체하는 것이 핵심입니다.

데이터 한계(data-constrained) 스케일링. 고품질 토큰이 모자랄 때는 어떻게 할까요? 답은 반복(epoch)입니다. Muennighoff et al.의 관찰에 따르면, 대략 ~4 epoch까지는 반복이 새 데이터와 비슷한 가치를 주고, 그 이상은 수확이 급격히 체감합니다. 즉 데이터가 부족하면 무한정 새로 긁는 대신 있는 데이터를 몇 번 더 도는 것이 합리적이되, 한계가 있다는 뜻입니다.

불확실 표시: 믹스·반복은 강의에서 상대적으로 짧게 다뤄지는 주제입니다. “~4 epoch” 같은 구체적 수치와 DoReMi의 세부 절차는 대략의 경향으로만 받아들이는 것이 안전합니다 — 정확한 임계는 데이터·모델 구성에 따라 달라집니다.

실전 노트

속도 ↔ 정교함이 매 단계의 축: n-gram(빠름·거침) → 분류기(똑똑·느림) → DSIR(원리적·무거움). R이 거대하므로 항상 “충분히 빠른 가장 똑똑한” 방법을 고른다.
메모리 ↔ 정확도: Bloom filter는 극소 메모리로 중복을 잡되 false positive를 허용하고, MinHash+LSH는 b·r로 정확도-비용을 조율한다. 완벽한 중복 제거는 없고, 오판율을 선택할 뿐이다.
분류기 필터가 대세: GPT-3·phi-1·OpenMathText 모두 “좋은 예시로 값싼 분류기를 학습해 확대”한다. 잘 고른 소량이 대충 모은 대량을 이긴다(phi-1: HumanEval 12→18%, 절반 스텝).
믹스가 능력을 조형: 도메인 비율은 부수적 설정이 아니라 능력의 핵심 손잡이다. 손튜닝 대신 DoReMi 같은 프록시-기반 자동화가 등장했다.
모든 도구가 “목표와 닮은 것 고르기”의 변주: 필터링·DSIR·믹스는 결국 하나의 질문 — “이게 목표 분포에 얼마나 가까운가”를 서로 다른 속도·정밀도로 답한다.

요약

핵심 과제: 거대한 raw R에서 목표 T와 닮은 부분집합 T′를 극도로 빠르게 골라내되, T′는 T의 복제가 아니라 일반화여야 한다.
품질 필터링: KenLM(perplexity·빠르지만 거침) → fastText(선형 분류기·해싱 트릭) → DSIR(importance resampling p/q). 랩들은 좋은 예시로 값싼 분류기를 학습해 확대한다(GPT-3·phi-1·OpenMathText).
언어·독성·PII: fastText 언어 식별(176개, 짧은 문장·유사 언어에 약함), Jigsaw 기반 독성 분류기, PII 마스킹.
중복 제거: 정확 중복(해시·C4의 3-문장 스팬), Bloom filter(메모리 효율·FP만 허용·FP≈0.5^k), 근접 중복(Jaccard → MinHash로 Pr[h(A)=h(B)]=Jaccard → LSH 밴드 P(s)=1−(1−s^r)^b). 효율과 암기 억제를 동시에 노린다.
데이터 믹스: 도메인 비율이 능력을 만든다. DoReMi(프록시 모델 group-DRO로 가중치 학습), 데이터 부족 시 반복(~4 epoch까지는 새 데이터와 비슷 — 대략의 경향).

이로써 유닛 4(데이터 & 평가)를 마칩니다. 원석은 준비됐습니다 — 다음 유닛은 그 원석을 쓸모 있는 어시스턴트로 길들이는 정렬(alignment)입니다.

다음 학습 (Next Learning)

15단계: 정렬 (1) — SFT와 RLHF — CS336 15강 — 정렬 (1) (유닛 5 시작)
CS336 13강 — 데이터 (1) — 직전 단계
CS336 커리큘럼 — 전체 17단계 지도