anonym.legal

By · Last updated 2026-06-05

กลับไปที่บล็อกGDPR & การปฏิบัติตาม

NAIH ฮังการี: AI Governance และกฎ DPA

NAIH กำหนดให้ต้องทำ DPIA สำหรับระบบ AI ทุกระบบที่ประมวลผลข้อมูลส่วนบุคคล ความแม่นยำ NER ภาษาฮังการีอยู่ที่ 67% — ต่ำกว่าค่าเฉลี่ย EU 82% อย่างมาก

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

NAIH ฮังการี: AI Governance และกฎ DPA

หน่วยงานข้อมูลของฮังการีคือ NAIH — Nemzeti Adatvédelmi és Információszabadság Hatóság หน่วยงานนี้ออกแนวทาง AI ที่ละเอียดที่สุดของ DPA ใดๆ ในยุโรปกลาง ในปี 2024 ออกคำวินิจฉัยบังคับใช้ 38 รายการ และยังเผยแพร่กฎที่กำหนดให้ต้องทำ DPIA สำหรับทุกระบบ AI ที่จัดการข้อมูลส่วนบุคคล กฎเหล่านี้เข้มงวดกว่าพื้นฐาน GDPR

กฎการบังคับใช้ AI ของ NAIH

DPA ของ EU ส่วนใหญ่เผยแพร่แนวทาง AI ในวงกว้าง DPA ของฮังการีไปไกลกว่านั้น แนวทางปี 2024 มีความเฉพาะเจาะจงในเชิงปฏิบัติการ

DPIA จำเป็นสำหรับทุกระบบ AI: ทุกระบบ AI ที่สัมผัสข้อมูลส่วนบุคคลต้องทำ DPIA ก่อน หน่วยงานกำหนดให้ทำก่อนการนำไปใช้งาน ซึ่งใช้บังคับแม้เมื่อการประมวลผลไม่ใช่ "ความเสี่ยงสูง" ตาม GDPR มาตรา 35 นั่นเข้มงวดกว่าวิธีการตามความเสี่ยงของ GDPR เอง

สิ่งที่ DPIA ของ NAIH ต้องระบุ:

  • คำอธิบายทางเทคนิคของข้อมูลนำเข้าและผลลัพธ์ของโมเดล AI
  • หลักฐานว่าข้อมูลฝึกถูกทำให้ไม่ระบุตัวตนหรือมีฐานทางกฎหมายที่ถูกต้อง
  • การประเมินความเสี่ยงของการเลือกปฏิบัติทางอัลกอริธึม
  • ขั้นตอนการตรวจสอบโดยมนุษย์สำหรับการตัดสินใจอัตโนมัติ
  • กำหนดการเก็บรักษาและการลบสำหรับข้อมูลที่ประมวลผลโดย AI

การตรวจสอบประจำปี: หน่วยงานกำหนดให้ต้องอัปเดต DPIA ทุกปี ใช้บังคับเมื่อระบบ AI ได้รับการฝึกซ้ำหรือมีการเปลี่ยนแปลงอย่างมีนัยสำคัญ

ฮังการีจัดการคำขอข้อมูล GDPR มากกว่า 890,000 รายการในปี 2024 ปริมาณมากสำหรับประเทศที่มีประชากร 10 ล้านคน แสดงให้เห็นการใช้สิทธิ์อย่างแข็งขันและแรงกดดันจริงต่อทีมปฏิบัติตามกฎระเบียบ

ช่องว่างความแม่นยำ NER

การทบทวนของหน่วยงานปี 2024 ทดสอบโมเดล NER บนข้อความภาษาฮังการี ได้คะแนนเพียง 67% ค่าเฉลี่ย EU อยู่ที่ 82% ช่องว่าง 15 จุดมีต้นทุนการปฏิบัติตามที่แท้จริง

ภาษาฮังการีเป็นภาษาที่เกาะกลุ่มคำด้วยคำต่อท้ายจำนวนมาก ชื่อ ที่อยู่ และ ID ในภาษาฮังการีดูแตกต่างจากข้อมูลในภาษาอังกฤษหรือเยอรมันมาก เครื่องมือที่ฝึกด้วยภาษาเหล่านั้นพลาดข้อมูลส่วนบุคคลในภาษาฮังการีในสัดส่วนมาก ดู คู่มือการตรวจจับ PII หลายภาษา สำหรับวิธีที่ช่องว่างนี้กระทบการปฏิบัติตาม GDPR ข้ามภาษา

หน่วยงานพบว่าเครื่องมือ NLP ทั่วไปพลาด TAJ-szám ใน 61% ของเอกสาร รูปแบบที่หลากหลายและไม่มีการรองรับ checksum เป็นสาเหตุหลัก

ตัวระบุประจำชาติฮังการี

ทีมที่ประมวลผลเอกสารในฮังการีต้องตรวจจับประเภท ID เหล่านี้อย่างแม่นยำ ดู คู่มือการตรวจจับ ID ภาษีประจำชาติ EU สำหรับบริบทการครอบคลุม EU ทั้งหมด

TAJ-szám (Társadalombiztosítási Azonosító Jel): หมายเลขประกันสังคม 9 หลัก ปรากฏในบันทึกสุขภาพ สวัสดิการ และเงินบำนาญ การตรวจสอบใช้ checksum ถ่วงน้ำหนักที่กำหนดโดยหน่วยงานประกันสังคม

Adóazonosító jel: ID ภาษีส่วนบุคคล 10 หลัก รูปแบบคือแกน 8 หลักบวกเลขตรวจสอบ 2 หลัก ปรากฏในเงินเดือน การยื่นภาษี และสัญญาการจ้างงาน

Személyi igazolvány number: หมายเลขบัตรประจำตัวประชาชน รูปแบบและกฎเลขตรวจสอบเป็นไปตามหน่วยงานออกบัตร

Útlevél szám: หมายเลขหนังสือเดินทาง รูปแบบและเลขตรวจสอบเป็นไปตามกฎที่กำหนดโดยหน่วยงานออกบัตรเช่นกัน

บริบท Ügyfélkapu

ฮังการีดำเนินการบริการสาธารณะส่วนใหญ่ผ่านแพลตฟอร์มเดียว — Ügyfélkapu (Client Gateway) พลเมืองกว่า 4 ล้านคนใช้สำหรับภาษี สวัสดิการ สุขภาพ และการออกใบอนุญาต บริษัทเอกชนเชื่อมต่อกับ Ügyfélkapu สำหรับเงินเดือน สวัสดิการ หรือการตรวจสอบตัวตน บริษัทเหล่านั้นประมวลผลตัวระบุเดียวกันในบริบทที่มีการควบคุม

หน่วยงานพบว่าบริษัทเหล่านี้มักใช้เครื่องมือ PII ระดับสากล เครื่องมือส่วนใหญ่ขาดการรองรับตัวระบุข้างต้น ส่งผลให้พลาดข้อมูลและก่อให้เกิดความเสี่ยงการปฏิบัติตามโดยตรง

การทับซ้อนกับ EU AI Act

ฮังการีเป็นประเทศแรกๆ ที่รวมกฎ AI Act เข้ากับแนวทาง DPA จุดยืนของหน่วยงานชัดเจน

ระบบ AI ความเสี่ยงสูง อยู่ในรายการ AI Act Annex III ครอบคลุมงาน การให้คะแนนเครดิต และบริการสำคัญ ต้องการทั้งการประเมินความสอดคล้อง AI Act และ NAIH DPIA

โมเดล AI วัตถุประสงค์ทั่วไป ที่ประมวลผลข้อมูลของผู้คนในฮังการีก็ต้องการ NAIH DPIA ด้วย ใช้บังคับแม้เมื่อโมเดลไม่อยู่ในรายการความเสี่ยงสูงตาม AI Act

สำหรับทีมที่ใช้งาน AI ในฮังการี รายการตรวจสอบหลักมีสามรายการ ทำ NAIH DPIA ก่อนเปิดใช้งาน ตรวจสอบว่าเครื่องมือ NER ของคุณครอบคลุมเอนทิตีข้างต้นในข้อความภาษาฮังการี ยืนยันการตรวจจับ TAJ-szám และ adóazonosító jel พร้อมการตรวจสอบ checksum

แหล่งอ้างอิง

พร้อมที่จะปกป้องข้อมูลของคุณหรือยัง?

เริ่มทำให้ PII เป็นนิรนามด้วยประเภทเอนทิตีมากกว่า 285 ประเภทใน 48 ภาษา.

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.