By · Last updated 2026-06-05

חזרה לבלוגGDPR ועמידה

HDPA יוון: זיהוי ΑΦΜ ו-ΑΜΚΑ עם GDPR — מדריך טכני 2025

כיצד מזהים ומנטרלים מספרי AFM יווני (מספר מס) ו-AMKA (ביטוח לאומי) בהתאם לדרישות HDPA ו-GDPR. חישובי Luhn, NER לטקסט יווני ושיטות אנונימיזציה למפתחים.

June 5, 20267 דקות קריאה
Greece HDPAAFM AMKA detectionGreek alphabet NERtourism GDPRGreek identifiers

HDPA ואנונימיזציית נתוני זהות יווניים

רשות הגנת הנתונים האישיים של יוון (HDPA) ממלאת תפקיד מפתח ביישום GDPR בתחום השיפוט היווני. ארגונים המעבדים מספרי AFM (Αριθμός Φορολογικού Μητρώου — מספר זיהוי מס) ומספרי AMKA (Αριθμός Μητρώου Κοινωνικής Ασφάλισης — מספר ביטוח לאומי) חייבים לנטרל פרטים אלו לפני שליחתם לכלי AI, אחסון במסדי נתונים חיצוניים, או שיתוף עם צדדים שלישיים.

מבנה ΑΦΜ והתיקוף שלו

מספר AFM יווני הוא רצף של תשע ספרות שבו הספרה האחרונה משמשת ספרת ביקורת. האלגוריתם:

  1. לקח את שמונה הספרות הראשונות
  2. הכפל אותן בחזקות של 2 (256, 128, 64, 32, 16, 8, 4, 2)
  3. סכם את המכפלות
  4. חשב mod 11; אם התוצאה היא 10 — ספרת הביקורת היא 0
def validate_afm(afm: str) -> bool:
    if not afm.isdigit() or len(afm) != 9:
        return False
    weights = [256, 128, 64, 32, 16, 8, 4, 2]
    total = sum(int(afm[i]) * weights[i] for i in range(8))
    check = total % 11
    if check == 10:
        check = 0
    return check == int(afm[8])

מבנה ΑΜΚΑ והתיקוף שלו

AMKA הוא מספר בן אחת-עשרה ספרות בפורמט DDMMYYNNNC, שבו DDMMYY הם תאריך הלידה, NNN הוא מספר סידורי ו-C היא ספרת ביקורת Luhn.

def validate_amka(amka: str) -> bool:
    if not amka.isdigit() or len(amka) != 11:
        return False
    # אלגוריתם Luhn
    total = 0
    for i, digit in enumerate(reversed(amka)):
        n = int(digit)
        if i % 2 == 1:
            n *= 2
            if n > 9:
                n -= 9
        total += n
    return total % 10 == 0

זיהוי NER בטקסט יווני

טקסט יווני מערב לעיתים שלוש אלפביתות: ελληνικά (יוונית), λατινικά (לטינית) וΑριθμοί (ספרות). מודלי NER מבוססי spaCy עם מודל el_core_news_sm מזהים:

  • ישויות PER — שמות אנשים בכתב יווני ולטיני
  • ישויות ORG — שמות ארגונים
  • ישויות GPE — מדינות וערים

אנונימיזציה עם anonym.legal:

POST /api/anonymize
{
  "text": "Ο [PERSON_1] έχει ΑΦΜ 123456789 και ΑΜΚΑ 01019012345",
  "operators": {"AFM": "replace", "AMKA": "replace", "PERSON": "replace"}
}

שיקולי תאימות HDPA

דרישהפירוט
מינימיזציהעיבוד AFM/AMKA רק כשנדרש לתכלית ספציפית
שמירהמחיקת מזהים גולמיים לאחר עיבוד
דיווח פריצההודעה תוך 72 שעות בחשיפת AFM/AMKA
תיעודניהול רישום עיבוד (ROPA) עבור נתוני מס

תיירים באיים היווניים שמסרו AFM לבתי מלון או חברות השכרת רכב — גורמים אלה חייבים לנטרל ולמחוק את המידע בהתאם לתקנות HDPA לאחר השלמת תכלית העיבוד.

סיכום

זיהוי AFM ו-AMKA יווניים דורש שילוב של בדיקת פורמט, תיקוף ספרת ביקורת ו-NER לטקסט יווני-לטיני מעורב. anonym.legal תומך בשני המזהים מחוץ לקופסה, עם עמידה מלאה בדרישות HDPA.

מוכן להגן על הנתונים שלך?

התחל לאנונימיזציה של PII עם 285+ סוגי ישויות ב-48 שפות.

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.