By · Last updated 2026-06-05

Takaisin BlogiinGDPR & Vaatimustenmukaisuus

NAIH Unkari: Tekoälyhallinto ja DPA-säännöt

NAIH edellyttää DPIA:ta kaikille tekoälyjärjestelmille, jotka käsittelevät henkilötietoja. Unkarin kielen NER-tarkkuus on 67 % — selvästi alle EU:n 82 %:n keskiarvon.

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

NAIH Unkari: Tekoälyhallinto ja DPA-säännöt

Unkarin tietosuojaviranomainen on NAIH — Nemzeti Adatvédelmi és Információszabadság Hatóság. Viranomainen on antanut yksityiskohtaisimman tekoälyohjeistuksen kaikkien Keski-Euroopan DPA:iden joukossa. Vuonna 2024 se antoi 38 täytäntöönpanopäätöstä. Se julkaisi myös säännöt, jotka edellyttävät DPIA:ta jokaiselle henkilötietoja käsittelevälle tekoälyjärjestelmälle. Nämä säännöt menevät pidemmälle kuin GDPR:n peruslinja.

NAIH:n tekoälytäytäntöönpanosäännöt

Useimmat EU:n DPA:t julkaisevat laajoja tekoälyohjeistuksia. Unkarin DPA meni pidemmälle. Sen vuoden 2024 ohjeistus on operatiivisesti täsmällinen.

DPIA vaaditaan kaikille tekoälyjärjestelmille: Jokainen tekoälyjärjestelmä, joka koskettaa henkilötietoja, vaatii DPIA:n ennen käyttöönottoa. Viranomainen edellyttää tätä ennen toteutusta. Tämä koskee myös tilanteita, joissa käsittely ei ole GDPR:n 35 artiklan mukainen "korkean riskin" käsittely. Se on tiukempaa kuin GDPR:n oma riskiperusteinen lähestymistapa.

Mitä NAIH-DPIA:n on sisällettävä:

  • Tekninen kuvaus tekoälymallin tietosyötteistä ja -tulosteista
  • Dokumentaatio siitä, että koulutusdata oli anonymisoitu tai sillä oli voimassa oleva oikeusperusta
  • Arvio algoritmisen syrjinnän riskistä
  • Ihmisen tarkastusvaihe automaattisille päätöksille
  • Säilytys- ja poistosuunnitelma tekoälyn käsittelemille tiedoille

Vuosittainen tarkastelu: Viranomainen edellyttää, että DPIA:t päivitetään vuosittain. Tämä koskee tekoälyjärjestelmän uudelleenkoulutusta tai merkittävää muuttamista.

Unkari käsitteli yli 890 000 GDPR-tietopyyntöä vuonna 2024. Se on suuri määrä 10 miljoonan asukkaan maalle. Se merkitsee aktiivista oikeuksien käyttöä ja todellista painetta vaatimustenmukaisuustiimeille.

NER-tarkkuuden aukko

Viranomaisen vuoden 2024 katsaus testasi NER-malleja unkarin kielellä. Ne saivat vain 67 %:n tarkkuuden. EU:n keskiarvo on 82 %. 15 prosenttiyksikön aukolla on todelliset vaatimustenmukaisuuskustannukset.

Ungari on agglutinatiivinen kieli. Se rakentaa sanoja monilla päätteillä. Unkarin kielellä olevat nimet, osoitteet ja tunnisteet näyttävät hyvin erilaisilta kuin englannin tai saksan kielellä olevat tiedot. Näillä kielillä koulutetut työkalut ohittavat suuren osan unkarin kielisistä henkilötiedoista. Lisätietoja tästä aukosta on monikielisen PII-tunnistuksen oppaassamme.

Viranomainen totesi, että yleiset NLP-työkalut ohittavat TAJ-számot 61 %:ssa asiakirjoista. Muotovaihtelut ja puuttuva tarkistussumman tuki ovat pääsyyt.

Unkarin kansalliset tunnisteet

Unkarissa asiakirjoja käsittelevien tiimien on tunnistettava nämä tunnistetyypit tarkasti. Kattava EU-konteksti on EU:n kansallisten verotunnisteiden PII-tunnistusoppaassamme.

TAJ-szám (Társadalombiztosítási Azonosító Jel): 9-numeroinen sosiaalivakuutustunnus. Se esiintyy terveys-, etuus- ja eläkerekistereissä. Validointi käyttää Sosiaalivakuutusviraston vahvistamaa painotettua tarkistussummaa.

Adóazonosító jel: 10-numeroinen henkilökohtainen verotunnus. Muoto on 8-numeroinen ydin ja 2 tarkistusnumeroa. Se esiintyy palkkaerittelyissä, veroraporteissa ja työsopimuksissa.

Személyi igazolvány-szám: Kansallisen henkilökortin numero. Muoto ja tarkistusnumerosäännöt noudattavat myöntävää viranomaista.

Útlevél szám: Passin numero. Muoto ja tarkistusnumero noudattavat myös myöntävän viranomaisen asettamia sääntöjä.

Ügyfélkapu-konteksti

Unkari tarjoaa useimmat julkiset palvelut yhden alustan kautta — Ügyfélkapu (Asiakasportaali). Yli 4 miljoonaa kansalaista käyttää sitä veroihin, etuuksiin, terveydenhuoltoon ja lisensseihin. Yksityiset yritykset liittyvät Ügyfélkapuun palkkahallinnon, etuuksien tai henkilöllisyyden tarkistamisen vuoksi. Nämä yritykset käsittelevät samoja tunnisteita sääntelykontekstissa.

Viranomainen on todennut, että nämä yritykset käyttävät usein kansainvälisiä PII-työkaluja. Useimmista näistä työkaluista puuttuu tuki yllä mainituille tunnisteille. Tämä johtaa huomaamatta jääneisiin tietoihin ja suoraan vaatimustenmukaisuusriskiin.

EU:n tekoälysäädöksen päällekkäisyys

Unkari oli varhainen ottamaan tekoälysäädöksen säännöt mukaan DPA-ohjeistukseen. Viranomaisen kanta on selkeä.

Korkean riskin tekoälyjärjestelmät on lueteltu tekoälysäädöksen liitteessä III. Nämä kattavat työn, luottoluokituksen ja olennaiset palvelut. Ne vaativat sekä tekoälysäädöksen mukaisuusarvioinnin että NAIH-DPIA:n.

Yleiset tekoälymallit, jotka käsittelevät Unkarissa olevien henkilöiden tietoja, vaativat myös NAIH-DPIA:n. Tämä koskee myös tilanteita, joissa mallia ei luokitella korkean riskin malliksi tekoälysäädöksen mukaan.

Unkarissa tekoälyjä käyttöönottavilla tiimeillä on kolmikohtainen ydintarkistuslista. Suorita NAIH-DPIA ennen lanseerausta. Varmista, että NER-työkalu kattaa yllä mainitut entiteetit unkarin kielisessä tekstissä. Vahvista TAJ-szám- ja adóazonosító jel -tunnistus tarkistussumman validoinnilla.

Lähteet

Valmiina suojaamaan tietojasi?

Aloita PII-anonymisointi yli 285 entiteettityypillä 48 kielellä.

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.