Fashion Intelligence

Sunday, 22 November 2026

Comment ça marche

Transformer le bruit du web mode en informations structurées et vérifiables

Chaque jour, des dizaines de médias publient des centaines d'articles mode, souvent sur les mêmes sujets. Fashion Intelligence les collecte, les comprend, les regroupe, les classe — et montre toujours d'où vient chaque information.

Le problème

Trop d'articles, les mêmes informations répétées, et aucune mesure de ce qui compte.

La réponse

Un pipeline qui transforme les articles en événements, puis en signaux classés et expliqués.

La règle

Aucune affirmation sans source : tout se trace jusqu'à l'article d'origine.

Le pipeline, étape par étape

Chiffres en direct →
  1. 1

    Collecte

    En production

    2,409 articles

    Toutes les 30 à 60 minutes, un worker lit les flux RSS publics de médias mode vérifiés un par un (robots.txt, conditions d'utilisation). On ne garde que les métadonnées : titre, lien, date, auteur, court extrait. Jamais l'article complet. Les sources

  2. 2

    Extraction par IA

    En production

    2,388 extraits

    Un modèle de langage (DeepSeek) lit chaque titre et extrait en JSON les marques, produits, matières, couleurs, styles et le type d'événement. La réponse est validée ; le coût est mesuré (environ un centime pour cent articles) et plafonné chaque jour. Sa qualité est mesurée sur 50 articles étiquetés à la main : 93 % de précision.

  3. 3

    Résolution des entités

    En production

    2,046 entités

    « suède », « daim » et « suede » deviennent une seule entité, Suede ; « Air Jordan » et « Jordan Brand » une seule marque. Sans ça, un même signal serait éparpillé en plusieurs petits. L'index

  4. 4

    Déduplication

    En production

    2,171 événements

    Cinq médias qui parlent de la même sortie, c'est un événement, pas cinq. Deux articles sont regroupés s'ils partagent un produit et que leurs textes se ressemblent — sauf signal contraire : coloris différents, collaborateurs différents, article récapitulatif, plus de 7 jours d'écart. Chaque regroupement garde sa raison.

  5. 5

    Pertinence

    En production

    2,171 notés

    Chaque événement reçoit un score de 0 à 100 : nombre de sources, nouveauté, type d'événement, collaboration, grande marque, moins des pénalités (hors sujet, sponsorisé…). Chaque point est enregistré avec sa raison : le classement de la une s'explique toujours.

  6. 6

    Tendances

    En production

    14 tendances actives

    Toutes les six heures, chaque entité est mesurée sur 7 et 30 jours et comparée à la période précédente : événements distincts, sources, marques. La croissance est lissée (passer de 1 à 3 mentions ne fait pas +200 %) et des seuils s'appliquent : au moins 3 événements et 2 sources indépendantes. Jamais « l'IA a dit que c'est tendance ». Il faut 14 jours d'historique pour la première fenêtre ; d'ici là, la page affiche les signaux à surveiller. Les tendances

  7. 7

    Site

    En production

    Vous y êtes : une publication éditoriale où chaque histoire renvoie à ses sources, et où chaque chiffre est calculé en direct. Le pipeline en direct

  8. 8

    Publication sur X

    Plus tard

    Diffuser une sélection d'événements et de tendances, d'abord avec validation manuelle de chaque post. Le site reste le produit principal.

Un exemple réel

adidas Anthony Edwards 3 “Ant-Man” Releases December 2026

L'événement le plus pertinent de la semaine : 5 articles de 2 sources regroupés, un score de 76/100. Sa page montre chaque source, la raison du regroupement, ce que l'IA a extrait et le détail du score.

Suivre la trace →

Les principes

Métadonnées uniquement

Titre, lien, date, court extrait. Le texte complet se lit chez l'éditeur, toujours cité et lié. Les sites qui bloquent les robots d'IA ne sont pas collectés.

Traçable de bout en bout

Tendance → événement → article → source → URL d'origine. Aucune information ne peut apparaître sans qu'on puisse remonter à ce qui la justifie.

L'IA assiste, elle ne décide pas

Le modèle extrait et classe. Les regroupements, les scores et bientôt les tendances reposent sur des règles écrites, versionnées et testées.

Mesurer plutôt que supposer

Extraction et déduplication sont évaluées sur des exemples étiquetés à la main, avec leurs limites écrites noir sur blanc.

De vrais chiffres

Le pipeline affiché est compté en base à chaque chargement. Aucune animation ne fait semblant de représenter une activité.

Sous le capot

  1. SourcesFlux RSS publics, revus un par un
  2. CollecteWorker Node.js · BullMQ + Redis (planification)
  3. StockagePostgreSQL · Prisma — la source de vérité
  4. TraitementWorker : extraction DeepSeek → entités → déduplication → pertinence
  5. APIFastify · TypeScript strict · validation Zod
  6. SiteNext.js · React · Tailwind CSS
  7. InfraDocker Compose sur un VPS · sauvegardes nocturnes vérifiées

Les limites, honnêtement

  • Quatre sources seulement, qui couvrent rarement les mêmes sujets : peu de doublons à regrouper pour l'instant.
  • Quelques jours d'historique : la nouveauté et les « grandes marques » ne départagent pas encore grand-chose, et les tendances attendent.
  • Les jeux de test ont été étiquetés par une seule personne ; la déduplication n'en contient qu'un vrai doublon.
  • Les poids du score de pertinence sont des choix éditoriaux : écrits en clair, discutables, et versionnés.