By · Last updated 2026-06-05

Povratak na BlogGDPR & Usklađenost

NAIH Madarska: AI upravljanje i pravila DPA

NAIH zahtijeva DPIA za sve AI sustave koji obrauju osobne podatke. Tocnost madarskog NER-a iznosi 67% — znatno ispod EU prosjeka od 82%.

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

NAIH Madarska: AI upravljanje i pravila DPA

Madarsko tijelo za podatke je NAIH — Nemzeti Adatvedelmi es Informacioszabadsag Hatosag. Tijelo je izdalo najdetaljnije AI smjernice od svih DPA-ova u sredisnjoj Europi. U 2024. donijelo je 38 provedbenih odluka. Takoer je objavilo pravila koja zahtijevaju DPIA za svaki AI sustav koji rukuje osobnim podacima. Ova pravila idu dalje od GDPR bazne linije.

AI provedbena pravila NAIH-a

Vecina EU DPA-ova objavljuje siroke AI smjernice. Madarsko DPA otislo je dalje. Njegove smjernice iz 2024. su operativno specificne.

DPIA obvezna za sve AI sustave: Svaki AI sustav koji dotice osobne podatke prethodno treba DPIA. Regulator to zahtijeva prije implementacije. Ovo se primjenjuje cak i kada obrada nije "visokorizicna" prema GDPR clanku 35. To je strozije od GDPR-ovog vlastitog pristupa temeljenog na riziku.

Sto NAIH DPIA mora sadrzavati:

  • Tehnicko opisivanje ulaza i izlaza podataka AI modela
  • Dokaz da su podaci za treniranje anonimizirani ili imali valjanu pravnu osnovu
  • Procjenu rizika algoritmijske diskriminacije
  • Korak ljudske provjere za automatske odluke
  • Plan zadrzavanja i brisanja za podatke koje je AI obradio

Godisnja revizija: Tijelo zahtijeva godisnje azuriranje DPIA-ova. Ovo se primjenjuje kada se AI sustav ponovno trenira ili znacajno promijeni.

Madarska je u 2024. primila vise od 890.000 GDPR zahtjeva za podatke. To je velik obujam za zemlju od 10 milijuna stanovnika. Signalizira aktivno koristenje prava i stvarni pritisak na timove za uskladivanje.

Praznina u tocnosti NER-a

Revizija tijela iz 2024. testirala je NER modele na madarskom tekstu. Postigli su samo 67% tocnosti. EU prosjek je 82%. Taj jaz od 15 postotnih bodova ima stvarne troskove uskladivanja.

Madarski je aglutinativni jezik. Grade rijeci putem mnogih sufiksa. Imena, adrese i ID-ovi na madarskom izgledaju vrlo razlicito od podataka na engleskom ili njemackom. Alati trenirani na tim jezicima propustaju velik udio osobnih podataka na madarskom. Pogledajte nas vodic za visejezicno otkrivanje PII za to kako ta praznina utjece na GDPR uskladivanje u razlicitim jezicima.

Regulator je utvrdio da genericni NLP alati propustaju TAJ-szam u 61% dokumenata. Varijacija formata i nedostatak podrske za kontrolnu sumu su glavni uzroci.

Madarski nacionalni identifikatori

Timovi koji obrauju dokumente u Madarskoj moraju tocno otkrivati ove vrste ID-ova. Pogledajte nas vodic za otkrivanje EU nacionalnih poreznih ID-ova za kontekst potpune EU pokrivenosti.

TAJ-szam (Tarsadalombiztositasi Azonosito Jel): 9-znamenkasti broj socijalnog osiguranja. Pojavljuje se u zdravstvenim, socijalnim i mirovinskim evidencijama. Validacija koristi vaganu kontrolnu sumu postavljenu od Tijela za socijalno osiguranje.

Adoazonositojel: 10-znamenkasti osobni porezni ID. Format je 8-znamenkasta osnova plus 2 kontrolne znamenke. Pojavljuje se u platnim listama, poreznim prijavama i ugovorima o zaposljenju.

Szemelyi igazolvany szam: Broj nacionalne osobne iskaznice. Format i pravila kontrolnih znamenki prate tijelo koje ga izdaje.

Utlevel szam: Broj putovnice. Format i kontrolna znamenka takoer prate pravila koja postavlja tijelo koje ga izdaje.

Kontekst platforme Ugyfelkapu

Madarska vodi vecinu javnih usluga kroz jednu platformu — Ugyfelkapu (Klijentski portal). Vise od 4 milijuna gradana koristi je za poreze, naknade, zdravstvo i licenciranje. Privatne tvrtke se spajaju s Ugyfelkapu-om za place, naknade ili provjere identiteta. Te tvrtke obrauju iste identifikatore u reguliranom kontekstu.

Tijelo je utvrdilo da te tvrtke cesto koriste meunarodne PII alate. Vecina tih alata nema podrsku za gore navedene identifikatore. To dovodi do propustenih podataka i izravnog rizika uskladivanja.

Preklapanje s EU AI Aktom

Madarska je bila medu prvima koje su ugradile pravila AI Akta u DPA smjernice. Stav regulatora je jasan.

Visokorizicni AI sustavi su navedeni u Prilogu III AI Akta. Oni pokrivaju poslove, kreditno bodovanje i esencijalne usluge. Zahtijevaju i ocjenu sukladnosti AI Akta i NAIH DPIA.

AI modeli opce namjene koji obrauju podatke osoba u Madarskoj takoer trebaju NAIH DPIA. Ovo vrijedi cak i kada model nije naveden kao visokorizican prema AI Aktu.

Za timove koji implementiraju AI u Madarskoj, osnovna kontrolna lista ima tri stavke. Dovrsiti NAIH DPIA prije lansiranja. Provjeriti da NER alat pokriva gore navedene entitete na madarskom tekstu. Potvrditi otkrivanje TAJ-szam i adoazonositojel s validacijom kontrolne sume.

Izvori

Spremni za zaštitu vaših podataka?

Započnite anonimizaciju PII-a s 285+ vrsta entiteta na 48 jezika.

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.