anonym.legal

By · Last updated 2026-06-05

กลับไปที่บล็อกGDPR & การปฏิบัติตาม

NAIH ฮังการี: TAJ-Szám และ Adóazonosító Jel

ความแม่นยำ NER ภาษาฮังการีอยู่ที่ 67% เทียบกับค่าเฉลี่ยสหภาพยุโรป 82% — การประเมินปี 2024 ของ NAIH ช่องว่างการตรวจจับ TAJ-szám weighted checksum และ adóazonosító jel

June 5, 20267 อ่านประมาณ
Hungary NAIHTAJ-szám detectionHungarian NERHungarian GDPR complianceAI DPIA

NAIH ฮังการี: TAJ-Szám และข้อกำหนดทางเทคนิค GDPR

อัปเดตสำหรับปี 2026

หน่วยงานข้อมูลของฮังการีคือ NAIH รายงานปี 2024 พบว่าความแม่นยำ NER สำหรับภาษาฮังการีอยู่ที่ 67% เท่านั้น ค่าเฉลี่ยสหภาพยุโรปคือ 82% ช่องว่างนั้นสร้างความเสี่ยงที่แท้จริง เครื่องมือที่สร้างสำหรับภาษาอังกฤษหรือเยอรมันพลาดหมายเลขประจำตัวฮังการีในอัตราที่สูง

เหตุใด NER ภาษาฮังการีจึงได้คะแนนต่ำ

สามลักษณะของภาษาฮังการีทำลายโมเดล NLP มาตรฐาน

การประกอบคำ (Agglutination): ภาษาฮังการีเพิ่มคำต่อท้ายกับรากคำ ชื่อเดียวกันมีหลายรูปแบบในประโยค "Kovács Péter" ในตำแหน่งประธานกลายเป็น "Kovács Péternek" ในบทบาทอื่น โมเดล NER ต้องเชื่อมโยงรูปแบบทั้งหมดเหล่านั้นกับบุคคลเดียว

ลำดับชื่อ: ภาษาฮังการีวางนามสกุลก่อน โมเดล NLP ส่วนใหญ่คาดหวังชื่อตัวก่อน การกลับด้านนั้นทำให้พลาดการตรวจจับ

ตัวอักษรพิเศษ: ภาษาฮังการีใช้ ő และ ű สิ่งเหล่านี้ไม่เหมือนกับ umlaut ของเยอรมัน การเข้ารหัสผสม — Windows-1250 เทียบกับ UTF-8 — ก็ทำให้เกิดความล้มเหลวเช่นกัน

สามปัจจัยนี้อธิบายช่องว่างความแม่นยำส่วนใหญ่ในรายงานปี 2024 ของ NAIH

TAJ-Szám: หมายเลขประกันสังคมของฮังการี

TAJ-szám (Társadalombiztosítási Azonosító Jel) คือหมายเลข 9 หลัก ปรากฏในบันทึกการดูแลสุขภาพ เงินเดือน สวัสดิการสังคม และเงินบำนาญ

Checksum: คูณหลักที่ 1 ถึง 8 ด้วยน้ำหนัก 3, 7, 3, 7, 3, 7, 3, 7 บวกผลลัพธ์ หารด้วย 10 ซึ่งจะให้หลักตรวจสอบ

อัลกอริทึมนี้เป็นเอกลักษณ์ของฮังการี มันไม่ใช่อัลกอริทึม Luhn ที่ใช้ในประเทศอื่นๆ

เครื่องมือทั่วไปตรวจจับ TAJ-szám ได้เพียง 61% ตามรายงาน NAIH 2024 รูปแบบ 9 หลักดูเหมือนหมายเลขอื่นๆ จำนวนมากในเอกสารฮังการี หากไม่มีขั้นตอน checksum เครื่องมือจะตั้งค่าสถานะ false positives และพลาดของจริง

Adóazonosító Jel: หมายเลขภาษีของฮังการี

adóazonosító jel คือหมายเลขภาษีส่วนบุคคล 10 หลัก หลักแรกคือ 8 เสมอ ปรากฏในบันทึกการจ้างงาน การยื่นภาษี และเอกสารทางการเงิน

Checksum: นำหลักที่ 2 ถึง 9 คูณด้วยน้ำหนัก 9, 7, 3, 1, 9, 7, 3, 1 บวกผลลัพธ์ หารด้วย 10 นั่นคือหลักตรวจสอบ ผลลัพธ์ 0 หมายความว่าหลักตรวจสอบคือ 0

คดีบังคับใช้ของ NAIH แสดงว่าหมายเลขนี้มักถูกพลาดในเอกสาร HR เมื่อเครื่องมือถูกตั้งค่าสำหรับภาษาอื่น

ดู คู่มือ EU national tax ID ของเราสำหรับการเปรียบเทียบหมายเลขเหล่านี้ข้ามรัฐสมาชิก

ข้อกำหนด DPIA ของ NAIH สำหรับระบบ AI

คำแนะนำปี 2024 ของ NAIH กำหนดให้ DPIA ที่เสร็จสมบูรณ์ก่อนที่ระบบ AI ใดก็ตามจะประมวลผลข้อมูลส่วนบุคคล สิ่งนี้เข้มงวดกว่าการทดสอบ GDPR ทั่วไป DPIA ต้องครอบคลุม:

  1. การไหลของข้อมูล — ข้อมูลการฝึก อินพุต และเอาต์พุต
  2. ฐานทางกฎหมาย — บันทึกสำหรับแต่ละกิจกรรม
  3. ความแม่นยำของภาษา — จำเป็นสำหรับภาษาที่ต่ำกว่าค่าเฉลี่ยสหภาพยุโรป
  4. การตรวจสอบโดยมนุษย์ — วิธีการตรวจสอบการตัดสินใจอัตโนมัติ

DPIA ต้องได้รับการอัปเดตทุกปีเมื่อระบบได้รับการฝึกใหม่

สำหรับทีมที่ติดตั้งเครื่องมือ AI บนข้อมูลฮังการี ลำดับเป็นค่าคงที่: DPIA ก่อน จากนั้นจึงติดตั้ง

การควบคุมทางเทคนิคขั้นต่ำ

สามมาตรการควบคุมประกอบเป็นพื้นฐานสำหรับการปฏิบัติตาม NAIH:

  1. การตรวจจับ TAJ-szám ด้วย modulo-10 checksum — การจับคู่รูปแบบเพียงอย่างเดียวไม่เพียงพอ
  2. การตรวจจับ adóazonosító jel ด้วยการตรวจสอบ checksum — สำคัญสำหรับ HR และการเงิน
  3. NER ภาษาฮังการีพร้อมรองรับการประกอบคำ — ต้องจัดการ ő, ű และรูปแบบการเข้ารหัส

ดู คู่มือ BFDI เยอรมนี ของเราเพื่อเปรียบเทียบวิธีที่ DPA ในยุโรปกลางกำหนดข้อกำหนดทางเทคนิค สำหรับช่องว่างภาษาที่คล้ายกันในยุโรปกลาง ดู คู่มือ Czech ÚOOÚ ของเรา

แหล่งที่มา

บทความที่เกี่ยวข้อง

GDPR & การปฏิบัติตาม

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR & การปฏิบัติตาม

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR & การปฏิบัติตาม

Czech Rodné Číslo: Gender Encoding and GDPR

Czech rodné číslo encodes gender via 50-offset month encoding — making it GDPR Article 9 special category data. 67% of Czech firms use German tools.

พร้อมที่จะปกป้องข้อมูลของคุณหรือยัง?

เริ่มทำให้ PII เป็นนิรนามด้วยประเภทเอนทิตีมากกว่า 285 ประเภทใน 48 ภาษา.

เริ่มทดลองใช้ฟรีดูฟีเจอร์

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.