Release 2026.06: Llevando la Data Observability a su código

El trabajo de calidad de datos se ha trasladado silenciosamente fuera de la interfaz de usuario. Las canalizaciones se definen en código, los despliegues están contenedorizados, y los entornos se promueven a través de CI/CD. Con la Release 2026.06, digna se encuentra con los equipos allí donde ese trabajo ya ocurre.

Esta versión presenta el digna Python SDK, soporte oficial de Docker, un nuevo ajuste de QueryMode para la ejecución de SQL, un modelo de predicción configurable para la detección de anomalías, un panel de control rediseñado, y una importación y exportación extendida para las reglas de validación.

Vea el resumen del lanzamiento: digna Release 2026.06 en YouTube

digna Python SDK: automatice todo desde el código

La característica principal de 2026.06 es el nuevo Python SDK. Está a una sola instalación de distancia:

A partir de ahí, la mayor parte de lo que normalmente configuraría en la interfaz de digna se puede expresar en Python:

• Crear y configurar proyectos de datos de manera programática

• Desencadenar inspecciones y ejecuciones de monitoreo

• Gestionar conjuntos de datos, reglas de validación y configuraciones en código

• Perfilar tablas y extraer información de metadatos

• Exportar resultados de perfilado y calidad de datos a sistemas y repositorios externos

• Integrar digna con cuadernos, herramientas de orquestación y canalizaciones de CI/CD

Para los ingenieros de datos, esto convierte la configuración de la calidad de datos en infraestructura como código. Las definiciones de los proyectos viven en el control de versiones, la revisión ocurre en las solicitudes de extracción (pull requests), y se puede aprovisionar un nuevo entorno desde el mismo script que construyó el anterior.

Para los científicos de datos, el SDK abre una puerta diferente. Los resultados de detección de anomalías y perfilado de digna se convierten en entradas para su propio análisis. Lleve el historial de perfilado a un cuaderno, combínelo con datos de negocio, o alimente las señales de calidad en un flujo de trabajo de aprendizaje automático descendente. La Observability deja de ser un panel de control independiente y se convierte en parte de la cadena de herramientas analíticas.

Y debido a que digna se ejecuta completamente dentro de su entorno, nada de esto cambia el modelo de soberanía de datos. El SDK se comunica con su instalación, no con la nuestra.

Soporte de Docker: despliegue digna donde tenga sentido

La Release 2026.06 añade soporte oficial para imágenes de Docker. La instalación, las pruebas, la escala y la gestión de entornos se vuelven más sencillas, y los despliegues se vuelven reproducibles en desarrollo, pruebas y producción.

Consecuencias prácticas:

• Configuración consistente en cada entorno, sin pasos de instalación manuales

• Integración sencilla con Kubernetes y otras plataformas de contenedores

• Incorporación más rápida para nuevos entornos e instalaciones de prueba de concepto

• La misma plataforma en infraestructura local, nube privada e híbrida

Esto importa más en industrias reguladas, donde el control de despliegue, la seguridad y la governance no son negociables. La contenedorización ofrece a los equipos de plataforma una forma limpia y auditable de ejecutar digna dentro de su propio perímetro.

QueryMode: elija cómo se ejecuta su SQL

digna ejecuta sus comprobaciones dentro de su motor de base de datos. La Release 2026.06 le da el control sobre cómo se estructuran esas consultas, a través de un nuevo ajuste de QueryMode con dos opciones.

El modo Single calcula cada estadística con su propia consulta SQL dedicada. Esto produce un mayor recuento de consultas, pero un consumo de memoria mucho menor por consulta. Es la elección correcta para fuentes de datos muy grandes, o para sistemas donde las consultas combinadas corren el riesgo de superar los límites de almacenamiento intermedio o quedarse sin memoria.

El modo Combined calcula todas las estadísticas dentro de una sola consulta SQL. Menos consultas, menos sobrecarga de red, y mejor rendimiento cuando la fuente de datos cabe cómodamente en la memoria. Esto se adapta a ejecuciones frecuentes y en paralelo sobre volúmenes de datos manejables.

No hay una respuesta universalmente correcta aquí, que es exactamente por lo que ahora es un ajuste. QueryMode le permite ajustar el equilibrio entre el rendimiento, el uso de recursos y la seguridad de la memoria por fuente de datos, en lugar de aceptar una única estrategia de ejecución en todas partes.

Modelo de predicción configurable

La detección de anomalías en digna está impulsada por un modelo que aprende el comportamiento normal de cada serie temporal y señala las desviaciones de este. En la versión 2026.06, ese modelo en sí pasa a ser configurable a través de siete parámetros:

• Sensibilidad a la ruptura

• Sensibilidad a valores atípicos

• Memoria

• Fuerza de Ridge

• Tolerancia de brecha

• Corrección de valores atípicos

• Estrechez del rango plausible

Estos se encuentran junto a los ajustes existentes de Sensibilidad y Memoria en la banda de tolerancia, y abordan una clase de problema diferente. Mientras que la banda de tolerancia controla qué tan amplio es el rango aceptable, este conjunto de parámetros controla cómo se ajusta la predicción subyacente en primer lugar: con qué rapidez se adapta a las rupturas estructurales, cuánto peso le da al historial, cómo trata las brechas y los valores atípicos.

Los valores predeterminados funcionan bien para la gran mayoría de las series, y cada parámetro se puede restaurar a su valor predeterminado en cualquier momento. Para las series que se comportan de manera inusual, las estacionales, aquellas con cambios de etapa conocidos, o las que tienen un historial escaso, ahora tiene una manera de hacer que el modelo refleje la realidad en lugar de trabajar en torno a ella. Si no está seguro de a qué parámetro recurrir, hable con nosotros; preferimos ayudarle a ajustarlo correctamente en lugar de que lo intente adivinar.

Un panel de control rediseñado

El panel de control se ha reconstruido con una interfaz de usuario modernizada y una estructura más clara. La navegación es más directa, los resultados del monitoreo y la información de calidad son más fáciles de examinar, y las alertas, estadísticas y gráficos son más legibles.

El objetivo es simple: menos tiempo dedicado a buscar la información relevante, más tiempo dedicado a actuar en consecuencia. Los equipos que revisan digna cada mañana deberían notar la diferencia de inmediato.

Importación y exportación extendida para las reglas de validación

Las reglas de validación representan un conocimiento institucional real. La Release 2026.06 las hace mucho más portables.

La funcionalidad de importación y exportación se ha extendido para que los conjuntos de reglas puedan moverse limpiamente entre entornos y proyectos. Puede crear y probar un conjunto de reglas estandarizado en desarrollo, promoverlo a producción, y reutilizarlo entre equipos sin tener que reconstruirlo a mano. Combinado con el SDK, esto brinda a los equipos de gobernanza un ciclo de vida adecuado para la lógica de validación: creada una vez, versionada, revisada y desplegada de manera consistente.

Actualizaciones de la CLI

La interfaz de línea de comandos se ha actualizado junto con el lanzamiento:

• Soporte de integración con el SDK

• Flujos de trabajo de importación y exportación mejorados

• Mejoras generales de estabilidad y rendimiento

Quién se beneficia de este lanzamiento

• Los ingenieros de datos obtienen automatización, acceso al SDK e integración de canalizaciones

• Los equipos de plataforma obtienen un despliegue simplificado y contenedorizado

• Los equipos de gobernanza de datos obtienen una gestión de reglas de validación portátil y reutilizable

• Los equipos de analítica obtienen una mejor usabilidad y una visibilidad más clara de los resultados

• Los científicos de datos obtienen acceso programático a los resultados de perfilado y detección de anomalías

Primeros pasos

La Release 2026.06 continúa con la estrategia de digna de extender la observabilidad más allá del monitoreo tradicional y llevarla hacia el flujo de trabajo más amplio de ingeniería y analítica. La arquitectura modular de la plataforma ahora abarca digna Data Anomalies, digna Data Analytics, digna Data Validation, digna Timeliness y digna Schema Tracker, todo ejecutándose dentro de su propia infraestructura.

Los clientes existentes pueden actualizar a través del proceso habitual; las actualizaciones normalmente se completan en menos de una hora. Todos los detalles se encuentran en el registro de cambios de la Release 2026.06, y el Python SDK ya está disponible a través de 

pip install digna-sdk.

Para ver un recorrido por todo lo que incluye esta versión, vea el video:

digna Release 2026.06 en YouTube

¿Preguntas sobre el SDK, el despliegue en Docker o el ajuste del modelo de predicción? Póngase en contacto y le guiaremos a lo largo del proceso.

Preguntas frecuentes

¿Qué incluye la Release 2026.06 de digna?

Seis cambios: el SDK de Python de digna, soporte oficial de Docker, un nuevo ajuste QueryMode para la ejecución de SQL, un modelo de predicción configurable para la detección de anomalías, un panel rediseñado y la importación y exportación ampliadas de reglas de validación. La CLI se actualizó en paralelo.

¿Qué permite hacer el SDK de Python de digna?

Tras pip install digna-sdk, casi todo lo que configuraría en la interfaz puede expresarse en Python: crear y configurar proyectos de datos, lanzar inspecciones, gestionar conjuntos y reglas de validación en código, perfilar tablas, exportar resultados e integrar digna con notebooks, herramientas de orquestación y pipelines de CI/CD.

¿Qué cambia el ajuste QueryMode?

La forma en que digna construye el SQL que ejecuta dentro de su motor de base de datos. El modo Single calcula cada estadístico con su propia consulta y el modo Combined calcula todos los estadísticos en una sola. No hay una respuesta universalmente correcta, y por eso ahora es un ajuste.

¿Qué parámetros de detección de anomalías son configurables?

Siete: Break Sensitivity, Outlier Sensitivity, Memory, Ridge Strength, Gap Tolerance, Outlier Correction y Plausible Range Tightness. Conviven con los ajustes existentes de Sensitivity y Memory de la banda de tolerancia, y cualquier parámetro puede restaurarse a su valor por defecto en cualquier momento.

¿El despliegue con Docker cambia dónde residen los datos?

No. digna sigue ejecutándose por completo dentro de su entorno, así que el modelo de soberanía del dato no cambia. Docker aporta una instalación consistente en todos los entornos, integración directa con Kubernetes y una puesta en marcha más rápida, y los clientes actuales suelen completar la actualización en menos de una hora.