CapTech IDF — EN CURSO

Insee Sirene (ficheros de empresas y establecimientos) y la API pública de búsqueda de empresas, ambos bajo la Licence Ouverte; nombres de dominio del registro de empresas del INPI y texto de los sitios web de las empresas, usados únicamente sin conexión.

Solo

1. El pipeline de datos desde los ficheros Sirene (Parquet, DuckDB) hasta Supabase.
2. Enriquecimiento sin conexión: sitios web de empresas encontrados a través de los nombres de dominio del INPI, rastreados respetando robots.txt como mucho una vez cada 1.5 segundos por host, y un corpus de evidencias filtrado por URL, tipo de página y bloque de texto.
3. El mapa interactivo (MapLibre) y las escenas 2D y 3D de empresas y enlaces (ECharts, three.js).
4. Más de 1,000 tests automatizados.

Evidencias antes que etiquetas

Una empresa se asocia a un dominio solo con una fuente citada y fechada; las empresas emparejadas únicamente por código de actividad se quedan como candidatas.

La similitud encuentra candidatas, nunca se muestra

La interfaz muestra una banda de proximidad explicable y respaldada por citas, no una puntuación sobre 100.

Sin datos personales

Los directivos y los beneficiarios efectivos se excluyen a nivel de la petición.

La limpieza del corpus redujo los segmentos indexados de 2,105 a 1,343; 45 de 46 organizaciones conservaron texto de negocio. La recuperación se evalúa sobre 18 consultas como positivo–no etiquetado, así que no se afirma ninguna precisión ni F1.

• Los códigos de actividad por sí solos incluyen de más: unas 40,000 candidatas de IA en París y 61,216 en Île-de-France antes de cualquier evidencia.
• La escena dibuja como mucho 400 objetos; las empresas que exceden ese límite se agrupan por código de actividad.
• La proximidad se muestra como bandas derivadas de las evidencias; no se fijan pesos numéricos, porque 29 positivos de referencia son demasiado pocos para calibrarlos.