Ändringslogg – Release 2026.11¶

Release 2026.11 är uppbyggd kring tre stora tillägg:

digna Data Reconciliation (Beta): kontrollerar att data förblir konsekventa när de flyttas mellan system
digna Agentic (Beta): öppnar digna för AI-agenter via digna MCP Server
digna Engine: profilerar valfritt data inuti digna och möjliggör kontroller av referensintegritet mellan olika databastekniker

Nya funktioner¶

digna Data Reconciliation (Beta) – Konsekvens från källa till mål¶

Data passerar ofta flera system innan de når en rapport. digna Data Reconciliation (Beta) jämför en mål-datakälla med de källor den byggdes från och larmar när de inte längre stämmer överens.

Konfigureras som namngivna regler på den nya fliken Data Reconciliation i måldatakällan
Varje datakälla i projektet där Data Reconciliation är aktiverat kan vara en källa
Användningsområden är bland annat standardiserade avstämningsrutiner och validering av resultaten från ETL-processer
Två typer av regler: Exact och AI

Exact-regler – Avstämning som en datakvalitetsregel: Du definierar exakt vad som måste stämma överens mellan en källa och ett mål, som i en datakvalitetsregel.

Jämför en källdatakälla med en måldatakälla
Para ihop en kontroll i målet med en kontroll i källan efter statistik och attribut, t.ex. radantal eller summan av en beloppskolumn
Tillåt en differens med en absolute tolerans (t.ex. ± 10) eller en relative tolerans (t.ex. ± 0,5 % av källan)
Tidslinjen visar varje dags differens mot toleransen

AI-regler – Avstämning som data observability: digna lär sig hur ett mål följer sina källor, på samma sätt som digna observerar data i andra moduler, och larmar när sambandet bryts.

Kombinera kontroller från flera källdatakällor med kontrollerna i ett mål
Du behöver inte känna till eller skriva ner logiken mellan dem (joins, filter, aggregeringar)
En modell lär sig av historiken hur målet följer sina källor samma dag
Varje kontroll i målet prediceras från dagens källvärden, och digna larmar när målet lämnar bandet som bildas av regelns egna tidigare fel
Varje regel har egna Model settings: Sensitivity, Memory och Model Complexity

Avstämningskontroller visas på Dashboard med en tidslinje per regel. De räknas in i den övergripande inspektionsstatusen och utlöser notifieringar.

Påverkan: Täcker båda sidorna av avstämningen. Exact-regler upprätthåller kända kontroller mellan källa och mål, och AI-regler övervakar komplexa flöden som ETL-processer, så att data som går förlorade eller ändras på vägen upptäcks utan handskriven avstämnings-SQL.

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

Den första versionen av digna Agentic (Beta). AI-agenter kan nu arbeta med digna, besvara affärsfrågor om dina data och hjälpa till att förbättra din konfiguration.

digna MCP Server: Låter Claude och andra AI-agenter arbeta med digna via Model Context Protocol.

Hantera projekt, datakällor, regler, inspektionsscheman och prenumerationer
Läs inspektionsstatus ner till den enskilda kontrollen för att utreda larm

Beskrivningar av datakällor och attribut: Beskriv med vanligt språk vad en datakälla eller ett attribut innehåller.

AI-agenter använder beskrivningarna för att tolka dina data
Ställ affärsfrågor om dina data, så besvarar AI-agenter dem utifrån det som digna övervakar
Om dignas nuvarande konfiguration inte kan besvara en fråga föreslår AI-agenten där det är möjligt ändringar av datakällan och dess attribut, t.ex. att lägga till ett nytt dataset

Påverkan: Låter dig ställa affärsfrågor om dina data med vanligt språk, och låter AI-agenter hjälpa till att konfigurera digna och utreda datakvalitetsproblem.

digna Engine – Profilera där du väljer¶

Som standard profilerar digna data där de finns, i källdatabasen. digna Engine lägger till ett alternativ: digna exporterar data från källan och profilerar dem inuti digna Engine.

Valfritt, inte obligatoriskt: profilering i källdatabasen finns kvar
Väljs per databasanslutning som dess profileringsplats: Source Database eller digna Engine
Tillgängligt för alla källtekniker som stöds

Referensintegritet mellan anslutningar: Vissa kontroller kräver att data exporteras. digna Engine utökar digna Data Validation för dessa fall.

Kontroller av referensintegritet mellan datakällor på olika databasanslutningar, även med olika databastekniker (t.ex. Oracle och PostgreSQL)
Fungerar med båda profileringsplatserna: för Source Database exporteras endast nyckelkolumnerna till digna Engine
Dashboarden visar när en kontroll körs över två anslutningar

Påverkan: Låter dig välja var data profileras, och upprätthåller relationer mellan system som körs på olika databastekniker.

Förbättringar av profilering¶

Den här releasen ger också användarna mer kontroll över vad som profileras och hur.

Frågeattribut – Användardefinierade kolumner¶

Definiera artificiella kolumner: ett SQL-uttryck över en eller flera kolumner i datakällan
Varje frågeattribut har ett eget namn
Profileras och kontrolleras som vilket annat attribut som helst

Kolumnkategorin DATE¶

Ny kategori Date för attribut
Mätvärden relativa till det inspekterade datumet

Profilering på begäran¶

Profilera valfritt attribut mot en dags fullständiga ögonblicksbild, utan att köra en inspektion
Hjälper dig att ställa in attributets kolumntyp: Numerical, Categorical, Date eller Unspecified

Vem gynnas av denna release¶

Dataingenjörer: Validering av ETL-resultat med digna Data Reconciliation (Beta)
Ekonomi-, risk- och controllingteam: Standardiserade avstämningsrutiner som exakta regler i digna Data Reconciliation (Beta)
Team för datakvalitet och data governance: Referensintegritet över databastekniker med digna Engine
Affärsanvändare: Affärsfrågor om data som besvaras av AI-agenter med digna Agentic (Beta)
AI- och automationsteam: AI-agenter som arbetar med digna via digna Agentic (Beta)

CLI-uppdateringar¶

Inga ändringar