anonym.legal

By · Last updated 2026-06-05

Назад на блоготGDPR & Усогласеност

NAIH Унгарија: Управување со AI и правила на DPA

NAIH бара DPIA за сите AI-системи кои обработуваат лични податоци. Точноста на унгарскиот NER е 67% — значително под ЕУ просекот од 82%.

June 5, 20268 мин читање
Hungary NAIHAI GDPR complianceTAJ-szám detectionCentral Europe DPAHungarian data protection

NAIH Унгарија: Управување со AI и правила на DPA

Унгарскиот орган за податоци е NAIH — Nemzeti Adatvédelmi és Információszabadság Hatóság. Органот издал најдетални насоки за AI меѓу сите DPA во Централна Европа. Во 2024 г. издаде 38 извршни одлуки. Исто така објави правила кои бараат DPIA за секој AI-систем кој работи со лични податоци. Тие правила одат подалеку од основата на GDPR.

Правилата на NAIH за извршување на AI

Повеќето ЕУ DPA објавуваат широки насоки за AI. Унгарскиот DPA отиде подалеку. Неговите насоки за 2024 г. се оперативно специфични.

DPIA задолжителна за сите AI-системи: Секој AI-систем кој допира лични податоци бара претходна DPIA. Регулаторот го бара тоа пред распоредувањето. Ова важи дури и кога обработката не е „ризична" по GDPR член 35. Тоа е построго отколку самиот пристап на GDPR заснован на ризик.

Она што NAIH DPIA мора да го содржи:

  • Технички опис на влезот и излезот на податоците на AI-моделот
  • Доказ дека тренинг-податоците биле анонимизирани или имале валидна правна основа
  • Проценка на ризикот од алгоритамска дискриминација
  • Чекор за човечки преглед на автоматизираните одлуки
  • Распоред за задржување и бришење на податоци обработени со AI

Годишен преглед: Органот бара DPIA да се ажурира секоја година. Ова важи кога AI-системот е повторно обучен или значително изменет.

Унгарија обработила над 890.000 GDPR-барања за права на податоци во 2024 г. Тоа е голем обем за земја со 10 милиони жители. Тоа укажува на активна употреба на правата и реален притисок врз тимовите за усогласеност.

Пропустот во точноста на NER

Прегледот на органот за 2024 г. ги тестираше NER-моделите на унгарски текст. Тие постигнаа само 67% точност. Просекот на ЕУ е 82%. Тој јаз од 15 поени носи реални трошоци за усогласеноста.

Унгарскиот е аглутинативен јазик. Зборовите ги гради преку многу наставки. Имиња, адреси и идентификатори на унгарски изгледаат многу поинаку отколку податоците на англиски или германски. Алатките обучени на тие јазици пропуштаат голем дел од личните податоци на унгарски. Видете го нашиот водич за мултијазично откривање на PII за тоа како тој јаз влијае на GDPR-усогласеноста низ јазиците.

Регулаторот утврди дека генеричките NLP-алатки го пропуштаат TAJ-szám во 61% од документите. Варијацијата на форматот и отсуството на поддршка за контролна сума се главните причини.

Унгарски национални идентификатори

Тимовите кои обработуваат документи во Унгарија мора точно да ги откриваат следните типови идентификатори. Видете го нашиот водич за откривање на ЕУ национален даночен идентификатор за поширок контекст на покриеноста на ЕУ.

TAJ-szám (Társadalombiztosítási Azonosító Jel): 9-цифрен број за социјално осигурување. Се наоѓа во здравствените, социјалните и пензиските записи. Валидацијата употребува пондерирана контролна сума утврдена од органот за социјално осигурување.

Adóazonosító jel: 10-цифрен личен даночен идентификатор. Форматот е 8-цифрено јадро плус 2 контролни цифри. Се наоѓа во платежни списоци, даночни пријави и договори за вработување.

Személyi igazolvány szám: Бројот на личната карта. Форматот и правилата за контролна цифра ги следат органот за издавање.

Útlevél szám: Бројот на пасошот. Форматот и контролната цифра исто така ги следат правилата утврдени од органот за издавање.

Контекстот на Ügyfélkapu

Унгарија ги извршува повеќето јавни услуги преку една платформа — Ügyfélkapu (Клиентска порта). Повеќе од 4 милиони граѓани ја употребуваат за даноци, социјални услуги, здравствена заштита и лиценцирање. Приватните фирми се поврзуваат со Ügyfélkapu за платежни списоци, социјални услуги или проверки на идентитет. Тие фирми ги обработуваат истите идентификатори во регулиран контекст.

Органот утврди дека тие фирми честопати употребуваат меѓународни PII-алатки. На повеќето такви алатки им недостасува поддршка за идентификаторите погоре. Тоа доведува до пропуштени податоци и директен ризик за усогласеноста.

Преклопување со Актот за AI на ЕУ

Унгарија рано ги вклучи правилата на Актот за AI во насоките на DPA. Позицијата на регулаторот е јасна.

Системите за AI со висок ризик се наведени во Прилог III на Актот за AI. Тие ги покриваат работните места, кредитното оценување и суштинските услуги. Тие бараат и проценка на сообразност по Актот за AI и NAIH DPIA.

Моделите за AI со општа намена кои обработуваат податоци за лица во Унгарија исто така бараат NAIH DPIA. Тоа важи дури и кога моделот не е наведен како ризичен по Актот за AI.

За тимови кои распоредуваат AI во Унгарија, основната листа за проверка има три ставки. Пополнете NAIH DPIA пред лансирањето. Проверете дека вашата NER-алатка ги покрива горенаведените ентитети во унгарски текст. Потврдете откривање на TAJ-szám и adóazonosító jel со валидација на контролната сума.

Извори

Подготвени да ги заштитите вашите податоци?

Започнете со анонимизација на PII со 285+ типови на ентитети на 48 јазици.

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.