NAIH ہنگری: TAJ-Szám اور GDPR تکنیکی ضروریات
2026 کے لیے اپ ڈیٹ
ہنگری کا ڈیٹا اتھارٹی NAIH ہے۔ اس کی 2024 رپورٹ نے پایا کہ ہنگری کے لیے NER درستگی صرف 67% ہے۔ EU اوسط 82% ہے۔ یہ خلا حقیقی خطرہ پیدا کرتا ہے۔ انگریزی یا جرمن کے لیے بنے ٹولز ہنگری کے شناخت کنندگان کو زیادہ شرح پر چھوڑ دیتے ہیں۔
ہنگری کی NER اسکور کم کیوں ہے
ہنگری کی تین خصوصیات معیاری NLP ماڈلز کو توڑتی ہیں۔
Agglutination: ہنگری root الفاظ میں لاحقے شامل کرتی ہے۔ اسی نام کی جملے میں بہت سی شکلیں ہوتی ہیں۔ ایک کردار میں "Kovács Péter" دوسرے کردار میں "Kovács Péternek" بن جاتا ہے۔ NER ماڈلز کو ان تمام شکلوں کو ایک شخص سے لنک کرنا ہوگا۔
نام کی ترتیب: ہنگری خاندان کا نام پہلے رکھتی ہے۔ زیادہ تر NLP ماڈل دیا گیا نام پہلے توقع کرتے ہیں۔ وہ الٹاؤ چھوٹی شناخت کا سبب بنتا ہے۔
خاص حروف: ہنگری ő اور ű استعمال کرتی ہے۔ یہ جرمن umlauts جیسے نہیں ہیں۔ مخلوط انکوڈنگ — Windows-1250 بمقابلہ UTF-8 — بھی ناکامیاں پیدا کرتی ہے۔
یہ تین عوامل NAIH کی 2024 رپورٹ میں درستگی کے خلا کی زیادہ تر وضاحت کرتے ہیں۔
TAJ-Szám: ہنگری کا سوشل سیکیورٹی نمبر
TAJ-szám (Társadalombiztosítási Azonosító Jel) 9 ہندسوں کا نمبر ہے۔ یہ صحت نگہداشت، تنخواہ، سماجی فوائد، اور پنشن ریکارڈ میں ظاہر ہوتا ہے۔
Checksum: ہندسے 1 سے 8 کو وزن 3، 7، 3، 7، 3، 7، 3، 7 سے ضرب دیں۔ نتائج جمع کریں۔ 10 سے ماڈیولو لیں۔ اس سے چیک ہندسہ ملتا ہے۔
یہ الگورتھم ہنگری کے لیے منفرد ہے۔ یہ دوسرے ممالک میں استعمال ہونے والے Luhn الگورتھم جیسا نہیں ہے۔
عام ٹولز NAIH 2024 رپورٹ کے مطابق صرف 61% درستگی سے TAJ-szám کا پتہ لگاتے ہیں۔ 9 ہندسوں کا فارمیٹ ہنگری دستاویزات میں بہت سے دیگر نمبروں جیسا نظر آتا ہے۔ checksum مرحلے کے بغیر، ٹولز جھوٹی مثبت نشان زد کرتے ہیں اور حقیقی کو چھوڑ دیتے ہیں۔
Adóazonosító Jel: ہنگری کا ٹیکس ID
Adóazonosító jel 10 ہندسوں کا ذاتی ٹیکس نمبر ہے۔ پہلا ہندسہ ہمیشہ 8 ہوتا ہے۔ یہ روزگار کے ریکارڈ، ٹیکس فائلنگز، اور مالیاتی دستاویزات میں ظاہر ہوتا ہے۔
Checksum: ہندسے 2 سے 9 لیں۔ وزن 9، 7، 3، 1، 9، 7، 3، 1 سے ضرب دیں۔ نتائج جمع کریں۔ 10 سے ماڈیولو لیں۔ یہ چیک ہندسہ ہے۔ 0 کا نتیجہ مطلب چیک ہندسہ 0 ہے۔
NAIH نفاذ کیسز دکھاتے ہیں کہ یہ نمبر اکثر HR دستاویزات میں چھوٹ جاتا ہے جب ٹولز دوسری زبانوں کے لیے ترتیب دیے گئے ہوتے ہیں۔
رکن ریاستوں میں ان نمبروں کے موازنے کے لیے ہماری EU national tax ID guide دیکھیں۔
AI سسٹمز کے لیے NAIH کی DPIA ضرورت
NAIH کی 2024 رہنمائی کسی بھی AI سسٹم کے ذاتی ڈیٹا پروسیس کرنے سے پہلے مکمل DPIA کی ضرورت کرتی ہے۔ یہ عام GDPR ٹیسٹ سے زیادہ سخت ہے۔ DPIA کا احاطہ ہونا ضروری ہے:
- ڈیٹا flows — تربیتی ڈیٹا، inputs، اور outputs
- قانونی بنیاد — ہر سرگرمی کے لیے دستاویزی
- زبان کی درستگی — EU اوسط سے نیچے زبانوں کے لیے ضروری
- انسانی جائزہ — خودکار فیصلوں کی جانچ کا طریقہ
جب سسٹم دوبارہ تربیت یافتہ ہو تو DPIA کو ہر سال اپ ڈیٹ کرنا ضروری ہے۔
ہنگری ڈیٹا پر AI ٹولز تعینات کرنے والی ٹیموں کے لیے، ترتیب مقرر ہے: پہلے DPIA، پھر تعیناتی۔
کم از کم تکنیکی کنٹرول
تین کنٹرول NAIH تعمیل کی بنیاد بناتے ہیں:
- modulo-10 checksum کے ساتھ TAJ-szám شناخت — پیٹرن میچنگ اکیلی کافی نہیں
- checksum تصدیق کے ساتھ Adóazonosító jel شناخت — HR اور مالیات کے لیے اہم
- agglutination حمایت کے ساتھ ہنگری NER — ő، ű، اور انکوڈنگ شکلوں کو سنبھالنا ضروری ہے
مرکزی یورپی DPAs تکنیکی ضروریات کیسے مقرر کرتے ہیں اس کے موازنے کے لیے ہماری BFDI Germany guide دیکھیں۔ مرکزی یورپ میں اسی طرح کے زبان کے خلا کے لیے، ہماری Czech ÚOOÚ guide دیکھیں۔