By · Last updated 2026-06-05

Atgal į BlogąGDPR ir Atitiktis

NAIH Vengrija: AI valdymas ir DPA taisyklės

NAIH reikalauja DPIA visiems AI sistemoms, tvarkančioms asmens duomenis. Vengrų NER tikslumas yra 67 % — gerokai žemiau ES 82 % vidurkio.

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

NAIH Vengrija: AI valdymas ir DPA taisyklės

Vengrijos duomenų institucija yra NAIH — Nemzeti Adatvédelmi és Információszabadság Hatóság. Institucija paskelbė išsamiausias AI gaires iš visų Vidurio Europos DPA. 2024 m. ji priėmė 38 vykdymo sprendimus. Taip pat paskelbė taisykles, reikalaujančias DPIA kiekvienai AI sistemai, tvarkančiai asmens duomenis. Šios taisyklės toli gražu viršija BDAR bazinį lygį.

NAIH AI vykdymo taisyklės

Dauguma ES DPA skelbia plačias AI gaires. Vengrijos DPA nuėjo toliau. Jos 2024 m. gairės yra konkrečios ir veiklos aspektu.

DPIA reikalingos visoms AI sistemoms: Kiekviena AI sistema, liečianti asmens duomenis, pirmiausia reikalauja DPIA. Reguliatorius tai reikalauja prieš diegimą. Tai taikoma net tada, kai apdorojimas nėra didelės rizikos pagal BDAR 35 straipsnį. Tai yra griežčiau nei pats BDAR rizika pagrįstas požiūris.

Ką turi apimti NAIH DPIA:

  • Techninis AI modelio duomenų įvesties ir išvesties aprašas
  • Įrodymai, kad mokymo duomenys buvo anoniminiai arba turėjo galiojantį teisinį pagrindą
  • Algoritminio diskriminacijos rizikos vertinimas
  • Žmogaus peržiūros žingsnis automatizuotiems sprendimams
  • AI apdorotų duomenų saugojimo ir ištrynimo grafikas

Metinė peržiūra: Institucija reikalauja, kad DPIA būtų atnaujinamos kiekvienais metais. Tai taikoma, kai AI sistema yra iš naujo apmokoma arba reikšmingai pakeičiama.

Vengrija 2024 m. nagrinėjo daugiau nei 890 000 BDAR duomenų užklausų. Tai didelis kiekis 10 milijonų gyventojų šaliai. Tai rodo aktyvų teisių naudojimą ir realų spaudimą atitikties komandoms.

NER tikslumo spraga

Institucijos 2024 m. apžvalga bandė NER modelius vengrišku tekstu. Jie surinko tik 67 % tikslumą. ES vidurkis yra 82 %. Tas 15 taškų skirtumas turi tikrų atitikties sąnaudų.

Vengrų kalba yra agliutinacinė. Ji kuria žodžius per daugelį priesagų. Vardai, adresai ir ID vengrų kalboje labai skiriasi nuo duomenų anglų ar vokiečių kalbomis. Tomis kalbomis apmokyti įrankiai praleidžia didelę dalį asmens duomenų vengrų kalboje. Žr. mūsų daugiakalbio PII aptikimo vadovą, kaip ši spraga veikia BDAR atitiktį skirtingomis kalbomis.

Reguliatorius nustatė, kad bendrieji NLP įrankiai praleidžia TAJ-számot 61 % dokumentų. Formato variacija ir kontrolinės sumos palaikymo nebuvimas yra pagrindinės priežastys.

Vengrų nacionaliniai identifikatoriai

Komandos, apdorojančios dokumentus Vengrijoje, turi tiksliai aptikti šiuos ID tipus. Žr. mūsų ES nacionalinio mokesčių ID aptikimo vadovą dėl viso ES aprėpties konteksto.

TAJ-szám (Társadalombiztosítási Azonosító Jel): 9 skaitmenų socialinio draudimo numeris. Jis atsiranda sveikatos, išmokų ir pensijų įrašuose. Tikrinimui naudojama Socialinio draudimo institucijos nustatyta svorinė kontrolinė suma.

Adóazonosító jel: 10 skaitmenų asmeninis mokesčių ID. Formatas yra 8 skaitmenų pagrindas ir 2 kontroliniai skaitmenys. Jis atsiranda darbo užmokesčio, mokesčių deklaracijų ir darbo sutarčių dokumentuose.

Személyi igazolvány numeris: Nacionalinės tapatybės kortelės numeris. Formato ir kontrolinio skaitmens taisyklės atitinka išduodančios institucijos reikalavimus.

Útlevél szám: Paso numeris. Formato ir kontrolinio skaitmens reikalavimai taip pat atitinka išduodančios institucijos taisykles.

Ügyfélkapu kontekstas

Vengrija valdo daugumą viešųjų paslaugų per vieną platformą — Ügyfélkapu (Kliento vartai). Daugiau nei 4 milijonai piliečių ją naudoja mokesčiams, išmokoms, sveikatos priežiūrai ir licencijavimui. Privačios įmonės jungiasi prie Ügyfélkapu dėl darbo užmokesčio, išmokų ar tapatybės patikrinimų. Tos įmonės apdoroja tuos pačius identifikatorius reguliuojamame kontekste.

Institucija nustatė, kad šios įmonės dažnai naudoja tarptautinius PII įrankius. Daugeliui jų trūksta aukščiau nurodytų identifikatorių palaikymo. Tai lemia praleistus duomenis ir tiesioginę atitikties riziką.

ES AI akto persidengimas

Vengrija anksti įtraukė AI akto taisykles į DPA gaires. Reguliatoriaus pozicija yra aiški.

Didelės rizikos AI sistemos yra išvardytos AI akto III priede. Jos apima darbus, kredito vertinimą ir esmines paslaugas. Joms reikia tiek AI akto atitikties vertinimo, tiek NAIH DPIA.

Universalūs AI modeliai, apdorojantys Vengrijoje gyvenančių žmonių duomenis, taip pat reikalauja NAIH DPIA. Tai taikoma net tada, kai modelis nėra įtrauktas kaip didelės rizikos pagal AI aktą.

Komandai, diegiančiai AI Vengrijoje, pagrindiniame kontroliniame sąraše yra trys punktai. Prieš paleidimą atlikite NAIH DPIA. Patikrinkite, ar jūsų NER įrankis apima aukščiau paminėtus subjektus vengrišame tekste. Patvirtinkite TAJ-szám ir adóazonosító jel aptikimą su kontrolinės sumos tikrinimu.

Šaltiniai

Pasiruošę apsaugoti savo duomenis?

Pradėkite anonimizuoti PII su 285+ subjektų tipais 48 kalbomis.

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.