Danmarks Statistik hanterar en del av Danmarks mest känsliga offentliga data. Det eliminerade verktyg som ChatGPT och Gemini från dag ett.
Projektet startade som ett internt forskningsprojekt för att utvärdera möjligheterna att använda AI i stor skala på DST. Organisationen hade redan starka interna utvecklingsmöjligheter och investerade i intern infrastruktur, inklusive nästa generations GPU:er, för att köra AI-arbetslaster internt. Utmaningen var inte om AI kunde användas, utan hur man kunde bygga användbara funktioner i stor skala utan att kompromissa med säkerheten eller förlita sig helt på kommersiella API:er.
Omfattningen inkluderade:
Arkitekturen byggdes kring en enkel princip: rådata stannar kvar internt, medan mening kan flyttas säkert genom vektorer.
Interna modeller som körs på Danmarks Statistiks egen hårdvara hanterar anonymisering och vektorisering. Externa modeller arbetar endast med vektorer vid körtid, aldrig med den underliggande rådatan. Detta skapar en hybridlösning som kombinerar säkerheten i ett slutet system med flexibiliteten och prestandan hos externa modeller.
BCT byggde, vid sidan av kärnarkitekturen, ett internt chattverktyg som drivs av en stor open source-modell, vilket gör det möjligt för personalen att arbeta konversationellt med känsliga data i en säker miljö. BCT satte också upp en MCP-server runt Danmarks Statistiks publika API, vilket gör det möjligt för externa AI-agenter att ställa frågor till strukturerad data direkt istället för att skrapa webbplatsen på klientsidan.
Resultatet blev inte bara nya verktyg, utan en mer skalbar och hållbar AI-grund.
Vi designade en arkitektur där interna modeller hanterade anonymisering och vektorisering på Statistiska centralbyråns egen infrastruktur, medan externa modeller endast interagerade med vektorrepresentationer under körning. Detta säkerställde att rådata förblev skyddad samtidigt som moderna AI-funktioner möjliggjordes.
Danmarks Statistiks datatabeller är stora och komplexa. Vi bäddade in data och byggde vektordatabaser ovanpå, vilket gjorde tidigare svårnavigerat innehåll sökbart genom semantiska frågor.
För att minska belastningen som orsakas av AI-agenter som skrapar webbplatsen byggde vi en MCP-server runt det befintliga API:et. Detta gav agenter en strukturerad, pålitlig metod för att få tillgång till offentliga data direkt via backend istället för via klientupplevelsen.
Vi byggde en säker intern chattmiljö som drivs av en öppen källkodsmodell med 120 miljarder parametrar som körs på intern infrastruktur. Anställda kunde arbeta med vektoriserad känslig data på naturligt språk, med dynamiska visualiseringsfunktioner under utveckling.
Parallellt med det tekniska arbetet genomförde vi ett sex månader långt utbildningsprogram som täckte AI-observerbarhet, automationsverktyg, IDE-integration och strategier för regelefterlevnad – vilket hjälpte teamet att bygga en varaktig intern kompetens kring AI.
Känsliga data kan nu vektoriseras, sökas och användas i AI-drivna arbetsflöden utan att lämna intern infrastruktur. Externa modeller kan leverera prestanda i stor skala utan att någonsin röra rådata.
Detta möjliggjorde:
Mer generellt skapade projektet en modell för hur hårt reglerade organisationer kan arbeta med AI på ett ansvarsfullt sätt – utan att ge upp vare sig prestanda eller kontroll.
Vi ledde Hafslund krafts finansiella transformation från manuell komplexitet till molnredo drift
Vi etablerade en styrnings- och säkerhetsmodell för business intelligence (BI) för hälsodata i nationell skala
Automatiserad datainsamling möjliggjorde snabbare och mer tillförlitliga handelsinsikter
