anonym.legal

By · Last updated 2026-06-05

Itzuli BlogeraGDPR & Betetze

NAIH Hungaria: TAJ-Szam eta Adoazonosito Jel

Hungariar NER zehaztasuna %67koa da, EBko %82ko batez bestekoaren aldean. NAIHren 2024ko ebaluazioa. TAJ-szam pisuen bidezko egiaztapena eta adoazonosito jel detekzio-hutsuneak.

June 5, 20267 min irakurri
Hungary NAIHTAJ-szám detectionHungarian NERHungarian GDPR complianceAI DPIA

NAIH Hungaria: TAJ-Szam eta GDPR Baldintza Teknikoak

2026rako eguneratuta

Hungariako datu-agintaritza NAIH da. 2024ko txostenak aurkitu du hungariar hizkuntzarentzako NER zehaztasuna %67koa baino ez dela. EBko batez bestekoa %82koa da. Hutsune horrek arrisku erreala sortzen du. Ingelesez edo alemaneraz eraikitako tresnak hungariar identifikatzaileak tasa altuan galtzen dituzte.

Zergatik Hungariar NER-ek Puntuazio Txikia Ateratzen Duen

Hungarieraren hiru ezaugarrik NLP eredu estandarrak hausten dituzte.

Erantzasketa: Hungarierak atzizkiak hitz-erroekin lotzen ditu. Izen berberak forma asko hartzen ditu esaldian. Kovacs Peter subjektu-posizioan Kovacs Peternek bihurtzen da beste rol batean. NER ereduek forma guztiak pertsona berari lotu behar dizkiote.

Izen-ordena: Hungarierak familia-izena lehenengo jartzen du. NLP eredu gehienek izen emana lehenengo espero dute. Alderantzikatzeak detekzio-galtzeak eragiten ditu.

Karaktere bereziak: Hungarierak o eta u erabiltzen ditu. Horiek ez dira umlaut alemaniarrak bezalakoak. Kodeketa-nahasketa, Windows-1250 vs UTF-8, huts gehiago eragiten ditu.

Hiru faktore horiek NAIHren 2024ko txosteneko zehaztasun-hutsune gehiena azaltzen dute.

TAJ-Szam: Hungariako Gizarte Segurantzako Zenbakia

TAJ-szamek (Tarsadalombiztositasi Azonosito Jel) 9 digitu ditu. Osasun-laguntzan, nominan, gizarte-laguntzetan eta pentsio-erregistroetan agertzen da.

Egiaztapen-suma: Biderkatu 1etik 8rako digitua pisuekin 3, 7, 3, 7, 3, 7, 3, 7. Batu emaitzak. Hartu 10en modulu. Horrek egiaztapen-digitua ematen du.

Algoritmoa Hungariari berezkoa zaio. Ez da beste herrialdeetan erabiltzen den Luhn algoritmoa bera.

Tresna generikoek TAJ-szam %61eko zehaztasunarekin soilik detektatzen dute, NAIHren 2024ko txostenaren arabera. 9 digitu formatua hungariar dokumentuetako beste zenbaki askoren antza du. Egiaztapen-urratsa gabe, tresnak positibo faltsuak markatzen dituzte eta benetakoak galtzen dituzte.

Adoazonosito Jel: Hungariako Zerga IDa

Adoazonosito jela 10 digituko pertsona zerga-zenbakia da. Lehen digitua beti 8 da. Lan-erregistroetan, zerga-adierazpenetan eta finantza-dokumentuetan agertzen da.

Egiaztapen-suma: Hartu 2tik 9rako digitua. Biderkatu pisuekin 9, 7, 3, 1, 9, 7, 3, 1. Batu emaitzak. Hartu 10en modulu. Hori egiaztapen-digitua da. 0 emaitzak egiaztapen-digitua 0 dela adierazten du.

NAIH betearazpen-kasuek erakusten dute zenbaki hau askotan GKK dokumentuetan galtzen dela tresnak beste hizkuntzetarako konfiguratuta daudenean.

Ikusi gure EBko nazio zerga-ID gida zenbaki hauek kide-estatuetan zehar nola konparatzen diren jakiteko.

NAIHren DPIA Baldintza AI Sistementzat

NAIHren 2024ko gidak DPIA osatua eskatzen du edozein AI sistemak datu pertsonalak prozesatu aurretik. Hori GDPR proba orokorra baino zorrotzagoa da. DPIAk estali behar ditu:

  1. Datu-fluxuak - trebakuntza-datuak, sarrerak eta irteerak
  2. Oinarri juridikoa - dokumentatua jarduera bakoitzerako
  3. Hizkuntza-zehaztasuna - EBko batez bestekoaren azpiko hizkuntzetarako beharrezkoa
  4. Gizakiaren berrikuspena - erabaki automatizatuak egiaztatzeko modu bat

DPIA sistema berriro entrenatzen denean urtero eguneratu behar da.

Hungariako datuen gainean AI tresnak zabaltzen dituzten taldeetarako, ordena finkatuta dago: DPIA lehenengo, gero zabaltzea.

Gutxieneko Kontrol Teknikoak

Hiru kontrol hauek NAIH betetzerako oinarria osatzen dute:

  1. TAJ-szam detekzioa modulo-10 egiaztapen-sumarekin - eredu-bateraketa soilik ez da nahikoa
  2. Adoazonosito jel detekzioa egiaztapen-suma baliozkotzarekin - kritikoaz GKK eta finantzetan
  3. Hungariar NER erantzasketaren laguntzarekin - o, u eta kodeketa-aldaerak kudeatu behar ditu

Ikusi gure BFDI Alemania gida Erdialdeko Europako DPAek baldintza teknikoak nola ezartzen dituzten konparatzeko. Erdialdeko Europako antzeko hizkuntza-hutsune baterako, ikusi gure Txekiar UOOU gida.

Iturriak

Lotutako Artikuluak

GDPR & Betetze

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR & Betetze

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR & Betetze

Czech Rodné Číslo: Gender Encoding and GDPR

Czech rodné číslo encodes gender via 50-offset month encoding — making it GDPR Article 9 special category data. 67% of Czech firms use German tools.

Prest zure datuak babesteko?

Hasi PII anonimizatzen 285+ entitate mota 48 hizkuntzatan.

Hasi Probako BertsioaIkusi Ezaugarriak

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.