By · Last updated 2026-06-05

Tagasi BlogisseGDPR ja Vastavus

NAIH Ungari: AI juhtimine ja andmekaitseasutuse reeglid

NAIH nõuab DPIA-d kõigi isikuandmeid töötlevate AI-süsteemide jaoks. Ungari NER täpsus on 67% — palju alla EL-i 82% keskmise.

June 5, 20268 min lugemist
Hungary NAIHAI GDPR complianceTAJ-szám detectionCentral Europe DPAHungarian data protection

NAIH Ungari: AI juhtimine ja andmekaitseasutuse reeglid

Ungari andmekaitseasutus on NAIH — Nemzeti Adatvedelmi es Informacioszabadsag Hatosag. Asutus on avaldanud kõige üksikasjalikumad AI juhised mis tahes Kesk-Euroopa andmekaitseasutusest. 2024. aastal tegi see 38 jõustamisotsust. Samuti avaldas see reeglid, mis nõuavad DPIA-d iga AI-süsteemi jaoks, mis käsitleb isikuandmeid. Need reeglid lähevad GDPR-i põhijoonest kaugemale.

NAIH AI jõustamise reeglid

Enamik EL-i andmekaitseasutusi avaldab laialdasi AI juhiseid. Ungari andmekaitseasutus läks kaugemale. Selle 2024. aasta juhised on operatiivselt spetsiifilised.

DPIA-d nõutakse kõigi AI-süsteemide jaoks: Iga AI-süsteem, mis puudutab isikuandmeid, vajab enne kasutuselevõttu DPIA-d. Regulaator nõuab seda enne rakendamist. See kehtib isegi siis, kui töötlemine ei ole GDPR artikli 35 kohaselt "kõrge riskiga". See on rangem kui GDPR-i enda riskipõhine lähenemisviis.

Mida NAIH DPIA peab sisaldama:

  • AI mudeli andmete sisendite ja väljundite tehniline kirjeldus
  • Tõendid selle kohta, et treeningandmed on anonümiseeritud või oli kehtiv õiguslik alus
  • Algoritmilise diskrimineerimise riski hindamine
  • Inimese ülevaatamise samm automaatsete otsuste jaoks
  • AI-töödeldud andmete säilitamise ja kustutamise ajakava

Iga-aastane ülevaatus: Amet nõuab DPIA-de ajakohastamist igal aastal. See kehtib siis, kui AI-süsteemi treenitakse uuesti või muudetakse oluliselt.

Ungari menetles 2024. aastal üle 890 000 GDPR andmepäringut. See on suur maht 10-miljonilise elanikkonnaga riigi jaoks. See annab märku aktiivsest õiguste kasutamisest ja tegelikust survest vastavusmeeskondadele.

NER täpsuse lünk

Asutuse 2024. aasta ülevaade testis NER mudeleid ungari keele tekstil. Nad saavutasid ainult 67% täpsuse. EL-i keskmine on 82%. See 15-punktiline vahe toob kaasa reaalseid vastavuskulusid.

Ungari on aglutineeriv keel. See moodustab sõnu paljude liidete kaudu. Ungari keeles olevad nimed, aadressid ja tunnused näevad väga erinevad välja võrreldes andmetega inglise või saksa keeles. Nende keelte peal treenitud tööriistad jätavad märkamata suure osa ungari keelest pärit isikuandmetest. Vaadake meie mitmekeelse isikuandmete tuvastamise juhendit, et mõista, kuidas see lünk mõjutab GDPR-i vastavust eri keeltes.

Reguleerija leidis, et üldised NLP-tööriistad jätavad TAJ-szami vahele 61% dokumentides. Peamised põhjused on formaadi variatsioon ja kontrollsumma toe puudumine.

Ungari riiklikud tunnused

Meeskonnad, kes töötlevad Ungaris dokumente, peavad täpselt tuvastama neid tunnuste tüüpe. Vaadake meie EL-i riiklike maksutunnuse tuvastamise juhendit täieliku EL-i katvuse konteksti saamiseks.

TAJ-szam (Tarsadalombiztositasi Azonosito Jel): 9-kohaline sotsiaalkindlustusnumber. See esineb tervise-, hüvitiste ja pensionikandetes. Valideerimine kasutab sotsiaalkindlustusasutuse seatud kaalutud kontrollsummat.

Adoazonositо jel: 10-kohaline isiklik maksutunnus. Formaat on 8-kohaline tuum pluss 2 kontrollnumbrit. Esineb palgaarvestuses, maksudeklaratsioonides ja töölepingutes.

Szemelyi igazolvany number: Riikliku isikutunnistuse number. Formaat ja kontrollnumbri reeglid järgivad väljastava asutuse norme.

Utlevel szam: Passinumber. Formaat ja kontrollnumber järgivad samuti väljastava asutuse kehtestatud reegleid.

Ugyfelkapu kontekst

Ungari korraldab enamikku avalikke teenuseid ühe platvormi kaudu — Ugyfelkapu (klientide värav). Üle 4 miljoni kodaniku kasutab seda maksude, hüvitiste, tervishoiu ja litsentside jaoks. Eraettevõtted ühenduvad Ugyfelkapuga palgaarvestuse, hüvitiste või isiku kontrollimise jaoks. Need ettevõtted töötlevad samu tunnuseid reguleeritud kontekstis.

Amet on leidnud, et need ettevõtted kasutavad sageli rahvusvahelisi isikuandmete tööriistu. Enamikul neist tööriistadest puudub tugi ülaltoodud tunnuste jaoks. See toob kaasa vahele jäetud andmed ja otsese vastavusriski.

EL-i AI seaduse kattuvus

Ungari integreeris AI seaduse reeglid varakult andmekaitseasutuse juhistesse. Reguleerija seisukoht on selge.

Kõrge riskiga AI-süsteemid on loetletud AI seaduse III lisas. Need hõlmavad töökohti, krediidiskoori ja olulisi teenuseid. Need nõuavad nii AI seaduse vastavushindamist kui ka NAIH DPIA-d.

Üldotstarbeline AI mudelid, mis töötlevad Ungaris elavate inimeste andmeid, vajavad samuti NAIH DPIA-d. See kehtib isegi siis, kui mudel ei ole AI seaduse kohaselt kõrge riskiga klassifitseeritud.

Meeskondadele, kes rakendavad Ungaris AI-d, on põhikontrollinimekiri kolmepunktiline. Täitke NAIH DPIA enne käivitamist. Kontrollige, et teie NER-tööriist katab ülaltoodud üksused ungari keele tekstis. Kinnitage TAJ-szami ja adoazonositо jeli tuvastamine kontrollsumma valideerimisega.

Allikad

Kas olete valmis oma andmeid kaitsma?

Alustage PII anonüümitamist 285+ üksustüübi abil 48 keeles.

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.