Endringslogg – Release 2026.11¶

Release 2026.11 er bygget rundt tre store nyheter:

digna Data Reconciliation (Beta): kontrollerer at data forblir konsistente når de flyttes mellom systemer
digna Agentic (Beta): åpner digna for AI-agenter gjennom digna MCP Server
digna Engine: profilerer valgfritt data inne i digna, og muliggjør kontroller av referanseintegritet mellom ulike databaseteknologier

Nye funksjoner¶

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

Data passerer ofte gjennom flere systemer før de havner i en rapport. digna Data Reconciliation (Beta) sammenligner en mål-datakilde med kildene den ble bygget fra, og varsler når de ikke lenger stemmer overens.

Konfigureres som navngitte regler på den nye fanen Data Reconciliation i måldatakilden
Enhver datakilde i prosjektet der Data Reconciliation er slått på, kan være en kilde
Bruksområder omfatter blant annet standard avstemmingsrutiner og validering av resultatene fra ETL-prosesser
To typer regler: Exact og AI

Exact-regler – Avstemming som en datakvalitetsregel: Du definerer nøyaktig hva som må stemme overens mellom én kilde og ett mål, slik som i en datakvalitetsregel.

Sammenlign én kildedatakilde med én måldatakilde
Koble en kontroll i målet med en kontroll i kilden etter statistikk og attributt, f.eks. antall rader eller summen av en beløpskolonne
Tillat en differanse med en absolute toleranse (f.eks. ± 10) eller en relative toleranse (f.eks. ± 0,5 % av kilden)
Tidslinjen viser hver dags differanse mot toleransen

AI-regler – Avstemming som dataobservabilitet: digna lærer hvordan et mål følger kildene sine, på samme måte som digna observerer data i andre moduler, og varsler når sammenhengen brytes.

Kombiner kontroller fra flere kildedatakilder med kontrollene i ett mål
Du trenger ikke å kjenne til eller skrive ned logikken mellom dem (joins, filtre, aggregeringer)
En modell lærer av historikken hvordan målet følger kildene sine samme dag
Hver kontroll i målet predikeres fra dagens kildeverdier, og digna varsler når målet går utenfor båndet som dannes av regelens egne tidligere feil
Hver regel har sine egne Model settings: Sensitivity, Memory og Model Complexity

Avstemmingskontroller vises på Dashboard med en tidslinje per regel. De teller med i den samlede inspeksjonsstatusen og utløser varsler.

Effekt: Dekker begge sider av avstemmingen. Exact-regler håndhever kjente kontroller mellom kilde og mål, og AI-regler overvåker komplekse flyter som ETL-prosesser, slik at data som går tapt eller endres underveis, fanges opp uten håndskrevet avstemmings-SQL.

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

Den første versjonen av digna Agentic (Beta). AI-agenter kan nå jobbe med digna, svare på forretningsspørsmål om dataene dine og hjelpe til med å forbedre konfigurasjonen din.

digna MCP Server: Lar Claude og andre AI-agenter jobbe med digna gjennom Model Context Protocol.

Administrer prosjekter, datakilder, regler, inspeksjonsplaner og abonnementer
Les inspeksjonsstatuser helt ned til den enkelte kontrollen for å undersøke varsler

Beskrivelser av datakilder og attributter: Beskriv med vanlig språk hva en datakilde eller et attributt inneholder.

AI-agenter bruker beskrivelsene til å tolke dataene dine
Still forretningsspørsmål om dataene dine, så svarer AI-agentene ut fra det digna overvåker
Hvis dignas nåværende konfigurasjon ikke kan svare på et spørsmål, foreslår AI-agenten der det er mulig endringer i datakilden og attributtene dens, f.eks. å legge til et nytt datasett

Effekt: Lar deg stille forretningsspørsmål om dataene dine med vanlig språk, og lar AI-agenter hjelpe til med å konfigurere digna og undersøke datakvalitetsproblemer.

digna Engine – Profiler der du velger¶

Som standard profilerer digna data der de ligger, i kildedatabasen. digna Engine legger til et alternativ: digna eksporterer dataene fra kilden og profilerer dem inne i digna Engine.

Valgfritt, ikke obligatorisk: profilering i kildedatabasen er fortsatt tilgjengelig
Velges per databasetilkobling som dens profileringssted: Source Database eller digna Engine
Tilgjengelig for alle støttede kildeteknologier

Referanseintegritet på tvers av tilkoblinger: Noen kontroller krever at data eksporteres. digna Engine utvider digna Data Validation for disse tilfellene.

Kontroller av referanseintegritet mellom datakilder på ulike databasetilkoblinger, også med ulike databaseteknologier (f.eks. Oracle og PostgreSQL)
Fungerer med begge profileringsstedene: for Source Database eksporteres bare nøkkelkolonnene til digna Engine
Dashboardet viser når en kontroll kjører på tvers av to tilkoblinger

Effekt: Lar deg velge hvor data profileres, og håndhever relasjoner mellom systemer som kjører på ulike databaseteknologier.

Forbedringer av profilering¶

Denne utgivelsen gir også brukerne mer kontroll over hva som profileres og hvordan.

Spørringsattributter – Brukerdefinerte kolonner¶

Definer kunstige kolonner: et SQL-uttrykk over én eller flere kolonner i datakilden
Hvert spørringsattributt har sitt eget navn
Profileres og kontrolleres som alle andre attributter

Kolonnekategorien DATE¶

Ny kategori Date for attributter
Måltall relativt til den inspiserte datoen

Profilering ved behov¶

Profiler hvilket som helst attributt mot et fullstendig øyeblikksbilde for én dato, uten å kjøre en inspeksjon
Hjelper deg med å angi attributtets kolonnetype: Numerical, Categorical, Date eller Unspecified

Hvem drar nytte av denne utgivelsen¶

Dataingeniører: Validering av ETL-resultater med digna Data Reconciliation (Beta)
Økonomi-, risiko- og controllingteam: Standard avstemmingsrutiner som eksakte regler i digna Data Reconciliation (Beta)
Team for datakvalitet og datastyring: Referanseintegritet på tvers av databaseteknologier med digna Engine
Forretningsbrukere: Forretningsspørsmål om data besvart av AI-agenter med digna Agentic (Beta)
AI- og automatiseringsteam: AI-agenter som jobber med digna gjennom digna Agentic (Beta)

CLI-oppdateringer¶

Ingen endringer