Ændringslog – Release 2026.11¶

Release 2026.11 er bygget op omkring tre store nyheder:

digna Data Reconciliation (Beta): kontrollerer, at data forbliver konsistente, når de flyttes mellem systemer
digna Agentic (Beta): åbner digna for AI-agenter via digna MCP Server
digna Engine: profilerer valgfrit data inde i digna og muliggør kontroller af referentiel integritet mellem forskellige databaseteknologier

Nye funktioner¶

digna Data Reconciliation (Beta) – Konsistens fra kilde til mål¶

Data passerer ofte gennem flere systemer, før de når frem til en rapport. digna Data Reconciliation (Beta) sammenligner en mål-datakilde med de kilder, den er bygget ud fra, og advarer, når de ikke længere stemmer overens.

Konfigureres som navngivne regler på den nye fane Data Reconciliation i måldatakilden
Enhver datakilde i projektet, hvor Data Reconciliation er slået til, kan være en kilde
Anvendelser omfatter blandt andet standardafstemningsprocedurer og validering af resultaterne fra ETL-processer
To typer regler: Exact og AI

Exact-regler – Afstemning som en datakvalitetsregel: Du definerer præcist, hvad der skal stemme overens mellem én kilde og ét mål, ligesom i en datakvalitetsregel.

Sammenlign én kildedatakilde med én måldatakilde
Par en kontrol i målet med en kontrol i kilden efter statistik og attribut, f.eks. antal rækker eller summen af en beløbskolonne
Tillad en difference med en absolute tolerance (f.eks. ± 10) eller en relative tolerance (f.eks. ± 0,5 % af kilden)
Tidslinjen viser hver dags difference i forhold til tolerancen

AI-regler – Afstemning som data observability: digna lærer, hvordan et mål følger sine kilder, på samme måde som digna observerer data i andre moduler, og advarer, når sammenhængen brydes.

Kombiner kontroller fra flere kildedatakilder med kontrollerne i ét mål
Du behøver ikke at kende eller nedskrive logikken mellem dem (joins, filtre, aggregeringer)
En model lærer ud fra historikken, hvordan målet følger sine kilder på samme dag
Hver kontrol i målet forudsiges ud fra dagens kildeværdier, og digna advarer, når målet forlader det bånd, som reglens egne tidligere fejl danner
Hver regel har sine egne Model settings: Sensitivity, Memory og Model Complexity

Afstemningskontroller vises på Dashboard med en tidslinje pr. regel. De tæller med i den samlede inspektionsstatus og udløser notifikationer.

Indvirkning: Dækker begge sider af afstemningen. Exact-regler håndhæver kendte kontroller mellem kilde og mål, og AI-regler overvåger komplekse flows som ETL-processer, så data, der går tabt eller ændres undervejs, fanges uden håndskrevet afstemnings-SQL.

digna Agentic (Beta) – digna til AI-agenter¶

Den første version af digna Agentic (Beta). AI-agenter kan nu arbejde med digna, besvare forretningsspørgsmål om dine data og hjælpe med at forbedre din konfiguration.

digna MCP Server: Lader Claude og andre AI-agenter arbejde med digna via Model Context Protocol.

Administrer projekter, datakilder, regler, inspektionsplaner og abonnementer
Læs inspektionsstatusser helt ned til den enkelte kontrol for at undersøge alerts

Beskrivelser af datakilder og attributter: Beskriv i almindeligt sprog, hvad en datakilde eller en attribut indeholder.

AI-agenter bruger beskrivelserne til at fortolke dine data
Stil forretningsspørgsmål om dine data, og AI-agenter besvarer dem ud fra det, digna overvåger
Hvis dignas nuværende konfiguration ikke kan besvare et spørgsmål, foreslår AI-agenten så vidt muligt ændringer af datakilden og dens attributter, f.eks. at tilføje et nyt datasæt

Indvirkning: Lader dig stille forretningsspørgsmål om dine data i almindeligt sprog og lader AI-agenter hjælpe med at konfigurere digna og undersøge datakvalitetsproblemer.

digna Engine – Profilér, hvor du vælger¶

Som standard profilerer digna data dér, hvor de ligger, i kildedatabasen. digna Engine tilføjer en mulighed: digna eksporterer data fra kilden og profilerer dem inde i digna Engine.

Valgfrit, ikke obligatorisk: profilering i kildedatabasen er fortsat tilgængelig
Vælges pr. databaseforbindelse som dens profileringssted: Source Database eller digna Engine
Tilgængelig for alle understøttede kildeteknologier

Referentiel integritet på tværs af forbindelser: Nogle kontroller kræver, at data eksporteres. digna Engine udvider digna Data Validation til disse tilfælde.

Kontroller af referentiel integritet mellem datakilder på forskellige databaseforbindelser, også med forskellige databaseteknologier (f.eks. Oracle og PostgreSQL)
Fungerer med begge profileringssteder: for Source Database eksporteres kun nøglekolonnerne til digna Engine
Dashboardet viser, når en kontrol kører på tværs af to forbindelser

Indvirkning: Lader dig vælge, hvor data profileres, og håndhæver relationer mellem systemer, der kører på forskellige databaseteknologier.

Forbedringer af profilering¶

Denne udgivelse giver også brugerne mere kontrol over, hvad der profileres, og hvordan.

Forespørgselsattributter – Brugerdefinerede kolonner¶

Definer kunstige kolonner: et SQL-udtryk over en eller flere kolonner i datakilden
Hver forespørgselsattribut har sit eget navn
Profileres og kontrolleres som enhver anden attribut

Kolonnekategorien DATE¶

Ny kategori Date til attributter
Målinger i forhold til den inspicerede dato

Profilering efter behov¶

Profilér en vilkårlig attribut mod et fuldt øjebliksbillede for én dato uden at køre en inspektion
Hjælper med at angive attributtens kolonnetype: Numerical, Categorical, Date eller Unspecified

Hvem får gavn af denne udgivelse¶

Data Engineers: Validering af ETL-resultater med digna Data Reconciliation (Beta)
Finans-, risiko- og controllingteams: Standardafstemningsprocedurer som eksakte regler i digna Data Reconciliation (Beta)
Datakvalitets- og governance-teams: Referentiel integritet på tværs af databaseteknologier med digna Engine
Forretningsbrugere: Forretningsspørgsmål om data besvaret af AI-agenter med digna Agentic (Beta)
AI- og automationsteams: AI-agenter, der arbejder med digna via digna Agentic (Beta)

CLI-opdateringer¶

Ingen ændringer