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/normalize/matcher.py

@@ -35,7 +35,7 @@ class Matcher:
         self,
         services: list[Service],
         embedder=None,
-        emb_threshold: float = 0.60,
+        emb_threshold: float = 0.70,
         fuzzy_threshold: int = 88,
     ):
         self.services = services
@@ -50,7 +50,9 @@ class Matcher:
         self.dict_emb = None
         if embedder is not None:
             self.dict_emb = embedder.encode(
-                [s.name_ru for s in services], normalize_embeddings=True, show_progress_bar=False
+                [s.name_ru for s in services],
+                normalize_embeddings=True,
+                task_type="RETRIEVAL_DOCUMENT",
             )
 
     def _match_by_code(self, code: str | None) -> Service | None:
@@ -88,7 +90,9 @@ class Matcher:
 
         if pending_norm and self.embedder is not None and self.dict_emb is not None:
             query = self.embedder.encode(
-                [names[i] for i in pending_idx], normalize_embeddings=True, show_progress_bar=False
+                [names[i] for i in pending_idx],
+                normalize_embeddings=True,
+                task_type="RETRIEVAL_QUERY",
             )
             sims = query @ self.dict_emb.T  # косинус по нормированным векторам
             best_idx = sims.argmax(axis=1)