Changelog – Release 2026.06¶

Med Release 2026.06 tager digna et stort skridt fremad inden for automation, extensibilitet og platformbrugervenlighed.
Denne udgivelse introducerer den nye digna Python SDK, officiel Docker-implementeringssupport, en opdateret dashboard-oplevelse og forbedret portabilitet til håndtering af valideringsregler.

Se releasen¶

What's New in digna | The Major Release of 2026 — en gennemgang af denne release på dignas YouTube-kanal.

Nye funktioner¶

digna Python SDK – Automatiser alt med Python¶

Installer via:
```
pip install digna-sdk
```
Programmatisk administration og automatisering af digna med Python
Opret og konfigurer projekter via kode
Trigger inspektioner og overvågningskørsler
Administrer datasæt, regler og konfigurationer programmatisk
Profilér tabeller og udtræk metadataindsigter
Eksporter profiling- og datakvalitetsresultater til eksterne repositories og systemer
Integrer med notebooks, orkestreringsværktøjer og CI/CD-pipelines

Indvirkning: Muliggør fuld infrastructure-as-code og dyb automatisering af datakvalitets- og observability-workflows ved hjælp af Python.

Docker Support – Forenklet implementering og drift¶

Officiel Docker-image-support for digna
Hurtig og ensartet opsætning på tværs af miljøer
Forenklet onboarding til udvikling, test og produktion
Nem integration med Kubernetes og containerplatforme
Forbedret portabilitet og reproducerbarhed af deployment

Indvirkning: Gør digna lettere at deployere og drive i moderne cloud-native arkitekturer.

QueryMode – Fleksibel SQL-udførelsesstrategi¶

Konfigurer forespørgselsudførelsesstrategi: Single eller Combined mode

Single Mode: Hver statistik beregnes med en dedikeret SQL-forespørgsel

Ideel til store datakilder, hvor hukommelsesbegrænsninger er en bekymring
Forhindrer ressourcemæssig udmattelse ved kombinerede forespørgsler (out of memory, spool-grænser)
Højere antal forespørgsler, men lavere hukommelsesforbrug per forespørgsel

Combined Mode: Alle statistikker beregnes i én samlet SQL-forespørgsel

Reducerer det samlede antal forespørgsler og netværksoverhead
Optimerer ydeevnen når datakilder er håndterbare i hukommelsen
Mere effektivt ved hyppige, parallelle kørsler

Indvirkning: Giver brugerne finmasket kontrol over forespørgselsudførelse for at balancere ydeevne, ressourceforbrug og hukommelsessikkerhed baseret på deres datakilders karakteristika.

Konfigurerbar forudsigelsesmodel¶

Modellen bag anomalidetektionen afvejer nu konkurrerende forklaringer af hver serie – et mønster kombineret med en aflæsning af de seneste observationer – og blander deres prognoser efter, hvor stærkt hver af dem understøttes. En enkelt ekstremværdi kan ikke længere smitte af på de efterfølgende forudsigelser.

To indstillinger på datakildens nye fane Model styrer den, hver fra 0.0 til 1.0 med 0.5 som standard:

Break Sensitivity – hvor hurtigt et spring til et nyt niveau eller en trend, der vender, accepteres i stedet for at blive behandlet som outliers
Model Complexity – hvor meget struktur modellen leder efter, fra kalendereffekter og et enkelt niveauskift op til ukendte cyklusser, effekter knyttet til dag i måneden og månedlige nulstillinger

Begge kan til enhver tid nulstilles til deres standardværdier. Se Modelindstillinger for, hvordan hver af dem virker.

Indvirkning: Giver brugerne kontrol over selve forudsigelsesmodellen ved siden af de eksisterende indstillinger Sensitivity og Memory på tolerancebåndet, som nu findes på fanen Thresholds.

Styring af anomalinotifikationer¶

Ny fane Notifications i datakildens anomaliindstillinger:
Minimum Alerts – hvor mange fejlede kontroller (ikke usikre) en inspektion skal have, før der sendes en notifikation (standard 1)
Pause After Notification (Days) – hvor længe et abonnement forbliver tavst efter at have notificeret om datakilden (standard 0, ingen pause)

Omdesignet dashboardoplevelse¶

Moderniseret og forbedret UI/UX-design
Klarere navigation og struktur
Bedre synlighed af overvågningsresultater og indsigter i datakvalitet
Forbedret læsbarhed af alerts, statistikker og dashboards
Hurtigere adgang til vigtig operationel information

Indvirkning: Forbedrer brugervenlighed og daglig produktivitet for alle brugere.

Udvidet import & eksport af valideringsregler¶

Forbedret import-/eksportfunktionalitet for valideringsregler
Nemmere migration mellem miljøer og projekter
Forbedret genbrug af standardiserede regelsæt
Bedre governance og lifecycle-styring af regler
Forenklet samarbejde på tværs af teams

Indvirkning: Muliggør skalerbar og konsistent datakvalitetsgovernance i hele organisationen.

Platformforbedringer¶

Fuldt Python SDK-integreret for automation
Containeriseret deployment via Docker
Forbedret UX gennem omdesignet dashboard
Udvidet portabilitet af valideringslogik

Hvem får gavn af denne udgivelse¶

Data Engineers: automation, SDK-brug, pipeline-integration
Platformteams: forenklet deployment via Docker
Data Governance-teams: genbrugelig håndtering af valideringsregler
Analytics-teams: forbedret brugbarhed og synlighed af indsigter

CLI-opdateringer¶

Tilføjet SDK-integrationssupport
Forbedrede import/eksport-workflows
Generelle stabilitets- og ydeevneforbedringer