digna Release 2026.11: Agentic, Data Reconciliation i Engine

Pytania, na które zespół danych odpowiada najdłużej, rzadko są tymi najtrudniejszymi. Czy data mart nadal zgadza się z tabelami, z których go zbudowano? Czy każdy klucz nadal istnieje w innej bazie danych, do której się odwołuje? Który produkt zmienił się najbardziej w ostatnim miesiącu? Każde z nich zwykle oznacza zapytanie, które ktoś musi napisać.

Release 2026.11 wprowadza do digna, platformy Data Quality & Observability, trzy nowości odpowiadające na te pytania: digna Agentic, digna Data Reconciliation i digna Engine. 75-sekundowy przegląd pokazuje wszystkie trzy w projektach demonstracyjnych digna (fikcyjne dane, prawdziwy produkt), a informacje o wydaniu zawierają wszystkie szczegóły.

digna Agentic: pytaj digna ze swojego asystenta

Dzięki digna Agentic Claude i inni agenci AI pracują z digna za pośrednictwem digna MCP Server, który korzysta z Model Context Protocol. Agent może zarządzać projektami, źródłami danych, regułami, harmonogramami inspekcji i subskrypcjami, odczytywać statusy inspekcji aż do pojedynczej kontroli oraz prześledzić alert od źródła danych do segmentu i dokładnej wartości, która go wywołała.

Opisujesz też prostym językiem, co zawiera każde źródło danych i każdy atrybut, aby agent wiedział, co czyta. Dzięki temu może odpowiadać na pytania biznesowe na podstawie tego, co digna już monitoruje. W demo farmaceutycznym, u fikcyjnego producenta leków generycznych, na pytanie "który produkt zmienił się najbardziej?" pada odpowiedź: amlodypina 5 mg w Czechach, której 28-dniowa sprzedaż spadła z 1376 opakowań do 411, czyli o 70% w cztery tygodnie, począwszy od 1 czerwca i wyłącznie w Czechach. Jeśli konfiguracja nie pozwala jeszcze na odpowiedź, agent może zaproponować zmianę, na przykład dodanie zbioru danych. Film o digna Agentic pokazuje tę wymianę.

digna Data Reconciliation: czy cel nadal zgadza się ze swoimi źródłami?

Ten nowy moduł porównuje docelowe źródło danych ze źródłami, z których zostało zbudowane, i powiadamia, gdy przestają się zgadzać. Reguły konfiguruje się w zakładce Data Reconciliation celu, a każde źródło danych w projekcie z włączonym uzgadnianiem może pełnić rolę źródła.

Reguła dokładna działa jak reguła jakości danych dla jednego źródła i jednego celu: kontrole łączy się w pary według statystyki i atrybutu, np. liczby wierszy lub sumy kwot, i ustala się tolerancję bezwzględną lub względną, a oś czasu reguły pokazuje dzienną różnicę na jej tle. W demo retail dzienny agregat sprzedaży wykazał 26 sierpnia 51 747 € przychodu brutto, podczas gdy jego własne pozycje sprzedaży sumowały się do 66 205 €: o 21,8% mniej przy tolerancji ± 0,01%.

Reguła AI łączy kontrole z kilku źródeł z jednym celem, bez definiowania joinów, filtrów czy agregacji. Model uczy się na podstawie historii, jak cel podąża za swoimi źródłami, i zgłasza alert, gdy cel wychodzi poza pasmo dotychczasowych błędów reguły; każda reguła ma ustawienia Sensitivity, Memory i Model Complexity. W demo data mart zamówień zbudowany z dziesięciu tabel źródłowych zawierał 6 października 1742 zamówienia, podczas gdy jego źródła wskazywały na około 2771. Każda kontrola uzgadniania pojawia się w Dashboard, wlicza się do statusu inspekcji i wyzwala powiadomienia. Film o digna Data Reconciliation omawia oba typy reguł.

digna Engine: wybierz, gdzie działa profilowanie

Każde połączenie z bazą danych ma teraz lokalizację profilowania: domyślnie Source Database lub digna Engine, dla każdej obsługiwanej technologii źródłowej. Wydanie wprowadza też do digna Data Validation kontrole integralności referencyjnej między połączeniami, dzięki czemu jedna kontrola może obejmować dwa połączenia i technologie, na przykład Oracle i PostgreSQL, Teradata i Snowflake lub Databricks i SQL Server. Gdy profilowanie pozostaje w źródłowej bazie danych, do Engine eksportowane są tylko kolumny kluczy, a Dashboard pokazuje, kiedy kontrola obejmuje dwa połączenia. Film o digna Engine pokazuje to ustawienie.

Mniejsze nowości w profilowaniu

Atrybuty zapytań pozwalają zdefiniować kolumnę jako wyrażenie SQL i profilować ją jak każdą inną, pojawiła się nowa kategoria kolumn Date, a pojedynczy atrybut można sprofilować na żądanie względem migawki z jednej daty.

Kto na tym zyskuje

Inżynierowie danych mogą walidować wyniki ETL, zespoły finansów i controllingu mogą prowadzić standardowe uzgodnienia jako reguły dokładne, zespoły governance mogą sprawdzać integralność referencyjną między technologiami, a użytkownicy biznesowi mogą pytać digna za pośrednictwem agenta. Wszystko działa on-premises lub w Twojej chmurze prywatnej, więc Twoje dane nigdy nie opuszczają Twojej infrastruktury. Aby zobaczyć to w kontekście, zobacz prezentację produktu digna.

Więcej o nowym module, w tym o obu typach reguł oraz przykładach z retail i data martu zamówień, przeczytasz w artykule jak digna Data Reconciliation sprawdza, czy cele nadal zgadzają się ze swoimi źródłami.

Najczęściej zadawane pytania

Co nowego w digna Release 2026.11?

digna Agentic, dzięki któremu agenci AI pracują z digna za pośrednictwem digna MCP Server, nowy moduł digna Data Reconciliation oraz digna Engine z lokalizacją profilowania dla każdego połączenia i kontrolami integralności referencyjnej między połączeniami. Profilowanie zyskuje też atrybuty zapytań, kategorię kolumn Date i profilowanie na żądanie.

Którzy agenci AI mogą pracować z digna?

Claude i inni agenci AI, za pośrednictwem digna MCP Server i Model Context Protocol. Mogą zarządzać konfiguracją, odczytywać wyniki aż do pojedynczej kontroli, analizować alerty i odpowiadać na pytania biznesowe.

Czym różnią się reguły dokładne od reguł AI w digna Data Reconciliation?

Reguła dokładna łączy w parę kontrolę na jednym źródle z kontrolą na jednym celu i porównuje je względem tolerancji bezwzględnej lub względnej. Reguła AI łączy kontrole z kilku źródeł, uczy się, jak cel za nimi podąża, i zgłasza alert, gdy wychodzi on poza pasmo dotychczasowych błędów reguły.

Czy digna potrafi sprawdzić integralność referencyjną między dwiema różnymi bazami danych?

Tak. Kontrole integralności referencyjnej w digna Data Validation mogą obejmować dwa połączenia i technologie, np. Teradata i Snowflake.