anonym.legal

By · Last updated 2026-06-05

Назад към блогаGDPR и съответствие

NAIH Унгария: AI управление и правила за DPA

NAIH изисква DPIA за всички AI системи, обработващи лични данни. Точността на NER за унгарски е 67% — значително под средното за ЕС от 82%.

June 5, 20268 мин. четене
Hungary NAIHAI GDPR complianceTAJ-szám detectionCentral Europe DPAHungarian data protection

NAIH Унгария: AI управление и правила за DPA

Унгарският орган за данни е NAIH — Nemzeti Adatvedelmi es Informacioszabadsag Hatosag. Органът е издал най-подробните насоки за AI от всяка централноевропейска DPA. През 2024 г. той е издал 38 решения за прилагане. Освен това е публикувал правила, изискващи DPIA за всяка AI система, обработваща лични данни. Тези правила надхвърлят базовото ниво на GDPR.

Правилата на NAIH за прилагане на AI

Повечето DPA в ЕС публикуват широки насоки за AI. Унгарската DPA е отишла по-далеч. Нейните насоки от 2024 г. са оперативно конкретни.

DPIAs се изискват за всички AI системи: Всяка AI система, работеща с лични данни, изисква DPIA преди внедряване. Регулаторът изисква това преди разгръщането. Това се прилага дори когато обработката не е "рискова" по смисъла на GDPR член 35. Това е по-строго от собствения рисково-базиран подход на GDPR.

Какво трябва да съдържа DPIA на NAIH:

  • Техническо описание на входящите и изходящите данни на AI модела
  • Доказателства, че данните за обучение са анонимизирани или са имали валидно правно основание
  • Оценка на риска от алгоритмична дискриминация
  • Стъпка за човешки преглед при автоматизирани решения
  • График за съхранение и изтриване на данни, обработени от AI

Годишен преглед: Органът изисква актуализиране на DPIAs всяка година. Това се прилага, когато AI система се преобучава или претърпява значителна промяна.

Унгария е обработила над 890 000 заявки за данни по GDPR през 2024 г. Това е голям обем за страна с 10 милиона жители. Сигнализира за активно упражняване на права и реален натиск върху екипите за съответствие.

Пропастта в точността на NER

Прегледът на органа от 2024 г. е тествал NER модели върху унгарски текст. Те са показали само 67% точност. Средното за ЕС е 82%. Тази разлика от 15 точки има реални разходи за съответствие.

Унгарският е аглутинативен език. Той образува думи чрез много суфикси. Имена, адреси и идентификатори на унгарски изглеждат много по-различно от данните на английски или немски. Инструментите, обучени на тези езици, пропускат голяма част от личните данни на унгарски. Вижте нашето ръководство за многоезично засичане на PII за информация как тази пропаст влияе на съответствието с GDPR в различните езици.

Регулаторът е установил, че общите NLP инструменти пропускат TAJ-szam в 61% от документите. Вариациите на формата и липсата на поддръжка за контролна сума са основните причини.

Унгарски национални идентификатори

Екипите, обработващи документи в Унгария, трябва точно да засичат тези типове идентификатори. Вижте нашето ръководство за засичане на национални данъчни идентификатори в ЕС за контекст на пълното покритие в ЕС.

TAJ-szam (Tarsadalombiztositasi Azonosito Jel): 9-цифрен номер за социална сигурност. Появява се в здравни, социални и пенсионни досиета. Валидацията използва претеглена контролна сума, определена от органа за социално осигуряване.

Adoazonositо jel: 10-цифрен личен данъчен идентификатор. Форматът е 8-цифрена основа плюс 2 контролни цифри. Появява се в досиета за заплати, данъчни декларации и трудови договори.

Szemelyi igazolvany szam: Номерът на националната лична карта. Форматът и правилата за контролна цифра следват издаващия орган.

Utlevel szam: Номерът на паспорта. Форматът и контролната цифра също следват правилата, определени от издаващия орган.

Контекстът на Ugyfelkapu

Унгария управлява повечето обществени услуги чрез една платформа — Ugyfelkapu (Клиентски портал). Над 4 милиона граждани я използват за данъци, социални помощи, здравеопазване и лицензиране. Частните компании се свързват с Ugyfelkapu за заплати, социални помощи или проверки на самоличност. Те обработват същите идентификатори в регулиран контекст.

Органът е установил, че тези компании често използват международни PII инструменти. Повечето от тях нямат поддръжка за горните идентификатори. Това води до пропуснати данни и пряк риск за съответствието.

Застъпване с Закона за AI на ЕС

Унгария е рано включила правилата на Закона за AI в насоките на DPA. Позицията на регулатора е ясна.

Високорискови AI системи са изброени в Приложение III към Закона за AI. Те обхващат работни места, кредитен скоринг и основни услуги. Те изискват едновременно оценка на съответствието по Закона за AI и DPIA от NAIH.

Модели с общо предназначение, обработващи данни на лица в Унгария, също изискват DPIA от NAIH. Това се прилага дори когато моделът не е посочен като високорисков по Закона за AI.

За екипи, внедряващи AI в Унгария, основният контролен списък има три точки. Завършете DPIA от NAIH преди стартиране. Проверете дали вашият NER инструмент покрива горните субекти в унгарски текст. Потвърдете засичането на TAJ-szam и adoazonosito jel с валидация на контролна сума.

Източници

Готови ли сте да защитите данните си?

Започнете анонимизация на PII с 285+ типа субекти на 48 езика.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.