anonym.legal

By · Last updated 2026-06-05

Povratak na blogGDPR i usklađenost

NAIH Madjarska: AI upravljanje i pravila DPA

NAIH zahteva DPIA za sve AI sisteme koji obradjuju licne podatke. Tacnost NER za madjarski je 67% — znatno ispod EU proseka od 82%.

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

NAIH Madjarska: AI upravljanje i pravila DPA

Madjarski organ za podatke je NAIH — Nemzeti Adatvedelmi es Informacioszabadsag Hato sag. Organ je izdao najdetaljnije AI smernice od svih centralnoevropskih DPA. U 2024. doneo je 38 odluka o primeni propisa. Takodje je objavio pravila kojima se zahteva DPIA za svaki AI sistem koji obradjuje licne podatke. Ova pravila idu dalje od GDPR-ovog polaznog standarda.

NAIH-ova AI pravila primene propisa

Vecina EU DPA objavljuje opste AI smernice. Madjarski DPA otisao je dalje. Njegove smernice za 2024. su operativno specificne.

DPIA se zahteva za sve AI sisteme: Svaki AI sistem koji dodiruje licne podatke zahteva DPIA pre pocetka rada. Regulator to zahteva pre rasporedjivanja. Ovo se primenjuje cak i kada obrada nije "visokoopasna" prema GDPR clanu 35. To je strozije od sopstvenog pristupa GDPR-a zasnovanog na riziku.

Sta NAIH DPIA mora sadrzati:

  • Tehnicka opis ulaznih i izlaznih podataka AI modela
  • Dokaz da su podaci za obuku bili anonimizovani ili su imali valjan pravni osnov
  • Procena rizika od algoritmicke diskriminacije
  • Korak ljudskog pregleda za automatizovane odluke
  • Raspored zadrzavanja i brisanja podataka obradjenih putem AI

Godisnji pregled: Organ zahteva azuriranje DPIA svake godine. Ovo se primenjuje kada se AI sistem ponovo trenira ili znacajno promeni.

Madjarska je u 2024. obradila vise od 890.000 GDPR zahteva za podatke. To je veliki obim za zemlju od 10 miliona stanovnika. Signalizira aktivnu upotrebu prava i pravi pritisak na timove za uskladjenost.

Praznina u tacnosti NER-a

Organovi pregled iz 2024. testirao je NER modele na madjarskom tekstu. Postigli su samo 67% tacnosti. EU prosek je 82%. Taj jaz od 15 procentnih poena ima stvarne troskove uskladjenosti.

Madjarski je aglutinativni jezik. Gradi reci kroz mnoge sufikse. Imena, adrese i ID-ovi na madjarskom izgledaju veoma razlicito od podataka na engleskom ili nemackom. Alati trenirani na tim jezicima propustaju veliki deo licnih podataka na madjarskom. Pogledajte nas vodic za visejezicnu detekciju PII da biste saznali kako ovaj jaz utice na uskladjenost s GDPR-om u svim jezicima.

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

Madjarski nacionalni identifikatori

Timovi koji obradjuju dokumente u Madjarskoj moraju tacno detektovati ove vrste ID-ova. Pogledajte nas vodic za detekciju EU poreskih ID-ova za kontekst potpune EU pokrivenosti.

TAJ-szam (Tarsadalombiztositasi Azonosito Jel): 9-cifreni broj socijalnog osiguranja. Pojavljuje se u zdravstvenim, socijalnim i penzijskim evidencijama. Validacija koristi ponderisanu kontrolnu sumu postavljenu od strane Agencije za socijalno osiguranje.

Adoazonosito jel: 10-cifreni licni poreski ID. Format je 8-cifrena jezgra plus 2 kontrolne cifre. Pojavljuje se u platnim listama, poreskim prijavama i ugovorima o radu.

Szemelyi igazolvany broj: Broj licne karte. Format i pravila kontrolnih cifri slede organ koji ih izdaje.

Utlevel szam: Broj pasosa. Format i kontrolna cifra takodje slede pravila organa koji ih izdaje.

Kontekst Ugyfelkapu-a

Madjarska vodi vecinu javnih usluga kroz jednu platformu — Ugyfelkapu (Gateway za klijente). Vise od 4 miliona gradana je koristi za poreze, socijalne naknade, zdravstvenu zastitu i licenciranje. Privatne firme se povezuju na Ugyfelkapu za plate, naknade ili provere identiteta. Te firme obradjuju iste identifikatore u regulisanom kontekstu.

Organ je utvrdio da ove firme cesto koriste medjunarodne PII alate. Vecina tih alata ne podrzava gore navedene identifikatore. To dovodi do propustenih podataka i direktnog rizika uskladjenosti.

Preklapanje s EU AI Aktom

Madjarska je bila medu prvima koji su ugradili pravila AI Akta u smernice DPA. Stav regulatora je jasan.

Visokoopasni AI sistemi navedeni su u Dodatku III AI Akta. Pokrivaju poslove, kreditni skoring i esencijalne usluge. Zahtevaju i procenu uskladjenosti prema AI Aktu i NAIH DPIA.

AI modeli opste namene koji obradjuju podatke osoba u Madjarskoj takodje zahtevaju NAIH DPIA. Ovo se primenjuje cak i kada model nije naveden kao visokoopasan prema AI Aktu.

Za timove koji rasporeduju AI u Madjarskoj, osnovna kontrolna lista ima tri stavke. Popuniti NAIH DPIA pre lansiranja. Potvrditi da NER alat pokriva gore navedene entitete u madjarskom tekstu. Potvrditi detekciju TAJ-szama i adoazonosito jela s validacijom kontrolne sume.

Izvori

Spremni da zaštitite svoje podatke?

Počnite sa anonimizacijom PII sa 285+ tipova 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.