Aller au contenu
Diego Agudelo

CapTech IDF — EN COURS

Cartographie 79 099 entreprises d'Île-de-France à partir des données publiques de l'Insee, réparties sur 16 domaines technologiques. Une entreprise n'entre dans un domaine qu'avec une source citée et datée ; 23 en ont une à ce jour, en IA, cybersécurité et systèmes embarqués. Le code est privé.

En bref
  • 79 099 entreprises
  • 1 343 segments indexés

Ma contributionLe pipeline de données depuis les stocks Sirene (Parquet, DuckDB) vers Supabase.

Démo ↗
RÔLE
Solo
CONTEXTE
Projet personnel
STATUT
En cours
STACK
TypeScriptNext.jsSupabaseMapLibreEChartsthree.jsDuckDBVitestCloudflare WorkersClaude Code
RÉSULTAT
Le nettoyage du corpus a réduit les segments indexés de 2 105 à 1 343 ; 45 organisations sur 46 ont conservé du texte métier. La récupération est évaluée sur 18 requêtes en mode positif–non étiqueté, donc aucune précision ni F1 n'est revendiquée.
MISE À JOUR
26 sept. 2026
CapTech IDF scene for AI companies in Paris: each evaluated company sits on a ring set by the strength of the evidence found for the domain.Live site · AI companies in Paris
1

Données

Insee Sirene (stocks des entreprises et des établissements) et l'API publique de recherche d'entreprises, tous deux sous Licence Ouverte ; les noms de domaine du registre des entreprises de l'INPI et le texte des sites web des entreprises, utilisés hors ligne uniquement.

2

Ce que j'ai construit

Solo

  1. Le pipeline de données depuis les stocks Sirene (Parquet, DuckDB) vers Supabase.
  2. Un enrichissement hors ligne : les sites web des entreprises trouvés via les noms de domaine de l'INPI, explorés dans le respect du robots.txt au plus une fois toutes les 1,5 seconde par hôte, et un corpus de preuves filtré par URL, type de page et bloc de texte.
  3. La carte interactive (MapLibre) et les scènes 2D et 3D des entreprises et de leurs liens (ECharts, three.js).
  4. Plus de 1 000 tests automatisés.
Sirene stocks
Parquet · DuckDB
load
Supabase
crawl sites
robots.txt · 1 req/s/host
evidence corpus
URL · page · block filters
cited domain
source · date
map · 2D/3D scene
MapLibre · three.js
tests — 1,000+ automated tests (Vitest)
Fig. 1 — Data flow as documented in the private repo. Outlined in accent: the evidence path; a company joins a domain only with a cited, dated source.
3

Choix clés

La preuve avant les étiquettes
Une entreprise n'est rattachée à un domaine qu'avec une source citée et datée ; celles associées par le seul code d'activité restent candidates.
La similarité trouve des candidats, elle n'est jamais affichée
L'interface montre une bande de proximité explicable, appuyée par des citations, et non un score sur 100.
Aucune donnée personnelle
Les dirigeants et les bénéficiaires effectifs sont exclus dès la requête.
4

Résultats

Le nettoyage du corpus a réduit les segments indexés de 2 105 à 1 343 ; 45 organisations sur 46 ont conservé du texte métier. La récupération est évaluée sur 18 requêtes en mode positif–non étiqueté, donc aucune précision ni F1 n'est revendiquée.

5

Limites

  • Les seuls codes d'activité incluent trop largement : environ 40 000 candidats IA à Paris et 61 216 en Île-de-France avant toute preuve.
  • La scène dessine au plus 400 objets ; les entreprises au-delà sont regroupées par code d'activité.
  • La proximité est présentée en bandes déduites des preuves ; aucun poids numérique n'est fixé, car 29 positifs de référence sont trop peu pour les calibrer.

Des questions sur ce projet ? → Écrivez-moi