By · Last updated 2026-06-05

Til baka á BloggGDPR & Samræmi

NAIH Ungverjaland: Gervigreindastjórnun og DPA-reglur

NAIH krefst DPIA fyrir öll gervigreindakerfi sem vinna úr persónuupplýsingum. NER-nákvæmni á ungversku er 67% — vel undir 82% ESB-meðaltali.

June 5, 20268 mín lestur
Hungary NAIHAI GDPR complianceTAJ-szám detectionCentral Europe DPAHungarian data protection

NAIH Ungverjaland: Gervigreindastjórnun og DPA-reglur

Gagnaverndarstofnun Ungverjalands er NAIH — Nemzeti Adatvédelmi és Információszabadság Hatóság. Stofnunin hefur gefið út ítarlegastar gervigreindarleiðbeiningar nokkurrar miðevrópskrar DPA. Árið 2024 gaf hún út 38 framkvæmdaákvarðanir. Hún birti einnig reglur sem krefjast DPIA fyrir sérhvert gervigreindakerfi sem meðhöndlar persónuupplýsingar. Þessar reglur ganga lengra en GDPR-grunnlínugildi.

Framkvæmdarreglur NAIH um gervigreind

Flestar ESB-DPA-stofnanir birta breið gervigreindaleiðbeiningar. DPA Ungverjalands fór lengra. Leiðbeiningar þess frá 2024 eru rekstrarleg sértækar.

DPIA krafist fyrir öll gervigreindakerfi: Sérhvert gervigreindakerfi sem snertir persónuupplýsingar þarf DPIA fyrst. Eftirlitsaðilinn krefst þessa fyrir setningu. Þetta gildir jafnvel þegar vinnslan er ekki "háhörun" samkvæmt GDPR grein 35. Það er strangara en áhættumiðuð nálgun GDPR sjálfs.

Hvað NAIH DPIA verður að innihalda:

  • Tæknilega lýsingu á gagnainntaki og -úttaki gervigreindarlíkansins
  • Gögn um að þjálfunargögn hafi verið nafnlæg eða haft gildar réttarheimildir
  • Mat á áhættu mismununar vegna reiknirit
  • Mannleg yfirferðarskref fyrir sjálfvirkar ákvarðanir
  • Varðveislu- og eyðingaráætlun fyrir gervigreindarvinnslugögn

Árleg yfirferð: Stofnunin krefst þess að DPIA séu uppfærð á hverju ári. Þetta gildir þegar gervigreindakerfi er enduræft eða verulega breytt.

Ungverjaland afgreiddi yfir 890.000 GDPR-gagnasamþykkisbeiðnir árið 2024. Það er mikill fjöldi fyrir land með 10 milljóna íbúa. Það gefur til kynna virka réttindanotgun og raunverulegt þrýsting á samræmisteymi.

NER-nákvæmni bilið

Yfirferð stofnunarinnar frá 2024 prófaði NER-líkön á ungverskum texta. Þau náðu aðeins 67% nákvæmni. ESB-meðaltalið er 82%. Þetta 15 punkta bil hefur raunveruleg samræmiskostnað.

Ungverska er samsetningartungumál. Það byggir orð með mörgum viðskeytum. Nöfn, heimilisföng og auðkenni á ungversku líta mjög öðruvísi út en gögn á ensku eða þýsku. Verkfæri þjálfuð á þeim tungumálum sakna stórum hluta persónuupplýsinga á ungversku. Sjá fjöltyngdu PII-greininguarleiðbeiningar okkar um hvernig þetta bil hefur áhrif á GDPR-samræmi þvert á tungumál.

Eftirlitsaðilinn fann að almenn NLP-verkfæri sakna TAJ-száminu í 61% skjala. Sniðsbreytileiki og engin stuðulsstuðningur eru helstu orsakirnar.

Ungverskir þjóðarauðkennar

Teymi sem vinna úr skjölum í Ungverjalandi verða að greina þessar auðkennisgerðir nákvæmlega. Sjá leiðbeiningar okkar um ESB-þjóðarskattnúmeragreiningu til að fá fulla ESB-samhengisumfjöllun.

TAJ-szám (Társadalombiztosítási Azonosító Jel): 9 stafa almannatryggingarnúmer. Það kemur fram í heilbrigðis-, bóta- og lífeyrisskrám. Staðfesting notar vegið stuðulsreikning sem félagslegur tryggingarstofnunin setur.

Adóazonosító jel: 10 stafa persónulegt skattauðkenni. Sniðið er 8 stafa kjarni ásamt 2 eftirlitsstöfum. Það kemur fram í launum, skattaskýrslum og starfsmannasamningum.

Személyi igazolvány number: Þjóðarskírteinisnúmerið. Snið og eftirlitsstafareglur fylgja útgáfurstofnuninni.

Útlevél szám: Vegabréfsnúmerið. Snið og eftirlitsstafur fylgja einnig reglum sem útgáfurstofnunin setur.

Samhengið við Ügyfélkapu

Ungverjaland rekur flestar opinberar þjónustur í gegnum einn vettvang — Ügyfélkapu (viðskiptavinahlið). Yfir 4 milljóna borgara nota hann fyrir skatta, bætur, heilbrigðisþjónustu og leyfi. Einkafyrirtæki tengjast Ügyfélkapu vegna launa, bóta eða auðkennisathugunna. Þau fyrirtæki vinna úr sömu auðkennum í stýrðu samhengi.

Stofnunin hefur fundið að þessi fyrirtæki nota oft alþjóðleg PII-verkfæri. Flest þeirra skortir stuðning við auðkennin hér að ofan. Það leiðir til óskoðaðra gagna og beinna samræmiáhættu.

Skörun við ESB-gervigreindarlöggjöfina

Ungverjaland var snemma að fella inn reglur ESB-gervigreindarlöggjáfarinnar í DPA-leiðbeiningar. Afstaða eftirlitsaðilans er skýr.

Háhættugervigreindakerfi eru talin upp í ESB-gervigreindarlöggjáfar viðauka III. Þau ná til starfa, lánsmats og nauðsynlegra þjónustu. Þau þurfa bæði samræmismat gervigreindarlöggjáfar og NAIH DPIA.

Almenn gervigreindarlíkön sem vinna úr gögnum einstaklinga í Ungverjalandi þurfa einnig NAIH DPIA. Þetta gildir jafnvel þegar líkanið er ekki skráð sem háhættu samkvæmt gervigreindarlöggjáfinni.

Fyrir teymi sem setja upp gervigreind í Ungverjalandi er lykilgátlist þrjú atriða. Ljúktu NAIH DPIA áður en sett er í gang. Staðfestu að NER-verkfærið þitt nái yfir einingurnar hér að ofan í ungverskum texta. Staðfestu TAJ-szám og adóazonosító jel-greiningu með stuðulsstaðfestingu.

Heimildir

Ertu tilbúinn að vernda gögnin þín?

Byrjaðu að anonymiza PII með 285+ gerðum í 48 tungumálum.

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.