feat(etl): нормализация на Gemini-эмбеддингах (API), Vision подключён

- эмбеддинги переведены с локального torch на Gemini API (лёгкий контейнер)
  GeminiEmbedder: gemini-embedding-001, 768d, RETRIEVAL query/document
- фильтр настоящих названий: коды/числа не уходят в сопоставление
- порог косинуса 0.70 → ~73% автонормализации (цель ТЗ ≥70%), остальное в unmatched
- Vision (gemini-2.5-flash, новый SDK) подключён в диспетчер для скан/нулевых PDF;
  проверено: Клиника 5 — 34 чистые позиции со страницы
- зависимости: убран torch/sentence-transformers, добавлен google-genai+numpy

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

etl/extractors/common.py

@@ -76,6 +76,18 @@ def looks_like_code(text) -> bool:
     return bool(s) and len(s) <= 16 and bool(_CODE_RE.match(s))
 
 
+def is_real_name(text) -> bool:
+    """Похоже ли значение на настоящее название услуги, а не на код или число.
+
+    Защищает нормализацию от мусора: коды («E04.000.012»), номера и цены, по ошибке
+    попавшие в колонку названия, не должны уходить в сопоставление со справочником.
+    Требуем минимум три кириллические буквы и не код-подобную форму.
+    """
+    s = clean(text)
+    cyrillic = sum(1 for ch in s if "а" <= ch.lower() <= "я" or ch.lower() == "ё")
+    return cyrillic >= 3 and not looks_like_code(s)
+
+
 def classify_price_tier(header_text) -> str | None:
     """По тексту заголовка ценовой колонки определить тип тарифа."""
     h = clean(header_text).lower()