Endringslogg – Release 2026.06¶

Med Release 2026.06 tar digna et stort steg fremover innen automatisering, utvidbarhet og plattformbrukervennlighet.
Denne utgivelsen introduserer det nye digna Python SDK, offisiell Docker-distribusjonsstøtte, en oppfrisket dashboard-opplevelse og forbedret portabilitet for håndtering av valideringsregler.

Se utgivelsen¶

What's New in digna | The Major Release of 2026 — en gjennomgang av denne utgivelsen på dignas YouTube-kanal.

Nye funksjoner¶

digna Python SDK – Automatiser alt med Python¶

• Installer via:

  pip install digna-sdk
  

• Administrer og automatiser digna programmessig med Python
• Opprett og konfigurer prosjekter gjennom kode
• Utløs inspeksjoner og overvåkningskjøringer
• Håndter datasett, regler og konfigurasjoner programmessig
• Profiler tabeller og hent ut metadata‑innsikt
• Eksporter profilering og resultater for datakvalitet til eksterne repoer og systemer
• Integrer med notebooks, orkestreringsverktøy og CI/CD‑pipelines

Effekt: Gjør det mulig med full infrastruktur som kode og dyp automatisering av arbeidsflyter for datakvalitet og observabilitet ved hjelp av Python.

Docker-støtte – Forenklet distribusjon og drift¶

• Offisiell Docker-image-støtte for digna
• Rask og konsistent oppsett på tvers av miljøer
• Forenklet onboarding for utvikling, test og produksjon
• Enkel integrasjon med Kubernetes og containerplattformer
• Bedre portabilitet og reproduserbarhet av utrullinger

Effekt: Gjør digna enklere å distribuere og drifte i moderne cloud-native arkitekturer.

QueryMode – Fleksibel strategi for SQL‑utførelse¶

Konfigurer spørringsutførelsesstrategi: Single eller Combined modus

Single Mode: Hver statistikk beregnes med én dedikert SQL-spørring

• Ideelt for store datakilder hvor minnebegrensninger er en utfordring
• Hindrer ressursuttømming i kombinerte spørringer (out of memory, spool‑begrensninger)
• Høyere antall spørringer, men lavere minnebruk per spørring

Combined Mode: Alle statistikker beregnes innenfor én enkelt SQL-spørring

• Reduserer totalt antall spørringer og nettverkskostnader
• Optimaliserer ytelse når datakilder er håndterbare i minnet
• Mer effektivt for hyppige, parallelle kjøringer

Effekt: Gir brukere finmasket kontroll over spørringsutførelse for å balansere ytelse, ressursbruk og minnesikkerhet basert på egenskapene til deres datakilder.

Konfigurerbar prediksjonsmodell¶

Modellen bak avviksdeteksjonen veier nå konkurrerende forklaringer av hver serie opp mot hverandre – et mønster kombinert med en tolkning av de nyeste observasjonene – og blander prognosene deres etter hvor sterkt hver av dem støttes. En enkelt ekstremverdi kan ikke lenger lekke inn i de påfølgende prediksjonene.

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

• Break Sensitivity – hvor raskt et hopp til et nytt nivå eller en trend som snur blir godtatt i stedet for å behandles som uteliggere
• Model Complexity – hvor mye struktur modellen leter etter, fra kalendereffekter og ett enkelt nivåskift opp til ukjente sykluser, effekter knyttet til dag i måneden og månedlige nullstillinger

Begge kan når som helst tilbakestilles til standardverdiene. Se Modellinnstillinger for hvordan hver av dem virker.

Effekt: Gir brukerne kontroll over selve prediksjonsmodellen, ved siden av de eksisterende innstillingene Sensitivity og Memory på toleransebåndet, som nå ligger på fanen Thresholds.

Kontroll over avviksvarsler¶

• Ny fane Notifications i datakildens avviksinnstillinger:
• Minimum Alerts – hvor mange mislykkede kontroller (ikke usikre) en inspeksjon trenger før et varsel sendes (standard 1)
• Pause After Notification (Days) – hvor lenge et abonnement forblir stille etter å ha varslet om datakilden (standard 0, ingen pause)

Omdesignet dashboard-opplevelse¶

• Modernisert og forbedret UI/UX‑design
• Klarere navigasjon og struktur
• Bedre synlighet av overvåkingsresultater og innsikt i datakvalitet
• Forbedret lesbarhet av varsler, statistikker og dashboards
• Raskere tilgang til viktig driftsinformasjon

Effekt: Øker brukervennlighet og daglig produktivitet for alle brukere.

Utvidet import og eksport for valideringsregler¶

• Forbedret import-/eksportfunksjonalitet for valideringsregler
• Enklere migrering mellom miljøer og prosjekter
• Bedre gjenbruk av standardiserte regelsett
• Forbedret styring og livssyklushåndtering av regler
• Forenklet samarbeid på tvers av team

Effekt: Legger til rette for skalerbar og konsistent styring av datakvalitet i hele organisasjonen.

Plattformforbedringer¶

• Full Python SDK‑integrasjon for automatisering
• Containerisert utrulling via Docker
• Forbedret UX gjennom omdesignet dashboard
• Utvidet portabilitet for valideringslogikk

Hvem drar nytte av denne utgivelsen¶

• Dataingeniører: automatisering, bruk av SDK, pipeline-integrasjon
• Plattformteam: forenklet utrulling via Docker
• Team for datastyring: gjenbrukbar håndtering av valideringsregler
• Analyseteam: forbedret brukervennlighet og bedre synlighet av innsikt

CLI‑oppdateringer¶

• La til støtte for SDK‑integrasjon
• Forbedrede import-/eksportarbeidsflyter
• Generelle stabilitets‑ og ytelsesforbedringer