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>

scripts/proof/normalize_all.py

@@ -1,59 +0,0 @@
-"""Замер автонормализации: извлечь весь архив, сопоставить со справочником, дать %."""
-import sys
-from collections import Counter
-from pathlib import Path
-
-REPO = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(REPO))
-
-from sentence_transformers import SentenceTransformer
-
-from etl.dictionary import load_dictionary
-from etl.extractors import extract
-from etl.normalize import Matcher
-
-# --- собрать все извлечённые позиции ---
-rows: list[tuple[str, str | None]] = []
-for path in sorted((REPO / "data/raw").glob("*")):
-    for row in extract(str(path)).rows:
-        rows.append((row.service_name_raw, row.service_code_source))
-print(f"позиций всего: {len(rows)}")
-
-# дедуп по (имя, код) — одинаковые строки сопоставляем один раз
-occurrences: Counter[tuple[str, str | None]] = Counter(rows)
-keys = list(occurrences)
-print(f"уникальных (имя, код): {len(keys)}")
-
-services = load_dictionary(REPO / "data/reference/dictionary.xlsx")
-print("загружаю модель эмбеддингов (первый раз — скачивание)…")
-embedder = SentenceTransformer("paraphrase-multilingual-MiniLM-L12-v2")
-matcher = Matcher(services, embedder=embedder)
-
-print("сопоставляю…")
-results = matcher.match_batch([k[0] for k in keys], [k[1] for k in keys])
-
-by_method: Counter[str | None] = Counter()
-total = matched = 0
-samples: dict[str | None, list] = {}
-canon_by_id = {s.service_id: s.name_ru for s in services}
-for key, res in zip(keys, results, strict=True):
-    count = occurrences[key]
-    total += count
-    by_method[res.method] += count
-    if res.service_id:
-        matched += count
-    bucket = samples.setdefault(res.method, [])
-    if len(bucket) < 5:
-        bucket.append((key[0], canon_by_id.get(res.service_id, "—"), round(res.confidence, 2)))
-
-print(f"\nАВТОНОРМАЛИЗАЦИЯ: {matched}/{total} = {100 * matched / total:.0f}%  (цель ТЗ ≥70%)")
-for method in ("code", "exact", "embedding", "fuzzy", None):
-    print(f"  {method or 'unmatched':10}: {by_method[method]} строк")
-
-print("\nпримеры сопоставлений:")
-for method in ("code", "exact", "embedding", "fuzzy"):
-    for raw, canon, score in samples.get(method, [])[:3]:
-        print(f"  [{method:9}] «{raw[:36]}» → «{canon[:36]}» ({score})")
-print("\nпримеры unmatched:")
-for raw, _canon, _score in samples.get(None, [])[:6]:
-    print(f"  «{raw[:52]}»")

scripts/proof/normalize_tune.py

@@ -0,0 +1,79 @@
+"""Подбор порога нормализации: выборка позиций → каскад → покрытие при порогах."""
+import random
+import sys
+from pathlib import Path
+
+import numpy as np
+
+REPO = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(REPO))
+
+from rapidfuzz import fuzz, process
+
+from etl.dictionary import load_dictionary, normalize_name
+from etl.extractors import extract
+from etl.normalize.embedding import GeminiEmbedder
+from etl.normalize.matcher import _CODE_CORE_RE
+
+rows = []
+for path in sorted((REPO / "data/raw").glob("*")):
+    for row in extract(str(path)).rows:
+        rows.append((row.service_name_raw, row.service_code_source))
+random.seed(0)
+sample = random.sample(rows, min(2000, len(rows)))
+print(f"всего {len(rows)}, выборка {len(sample)}")
+
+services = load_dictionary(REPO / "data/reference/dictionary.xlsx")
+by_code = {s.tarificator_code: s for s in services if s.tarificator_code}
+by_norm: dict[str, object] = {}
+for s in services:
+    by_norm.setdefault(s.name_norm, s)
+names_norm = [s.name_norm for s in services]
+
+embedder = GeminiEmbedder()
+print("эмбеддинг справочника (1281)…")
+dict_emb = embedder.encode([s.name_ru for s in services], task_type="RETRIEVAL_DOCUMENT")
+
+code_n = exact_n = 0
+pending: list[tuple[str, str]] = []
+for name, code in sample:
+    m = _CODE_CORE_RE.search(code) if code else None
+    if m and m.group(0) in by_code:
+        code_n += 1
+        continue
+    norm = normalize_name(name)
+    if norm in by_norm:
+        exact_n += 1
+        continue
+    pending.append((name, norm))
+
+print(f"код: {code_n} | точное: {exact_n} | дальше эмбеддинги/fuzzy: {len(pending)}")
+print("эмбеддинг запросов…")
+query_emb = embedder.encode([p[0] for p in pending], task_type="RETRIEVAL_QUERY")
+sims = query_emb @ dict_emb.T
+top_idx = sims.argmax(axis=1)
+top_score = sims.max(axis=1)
+fuzzy_score = np.array(
+    [process.extractOne(nn, names_norm, scorer=fuzz.token_set_ratio)[1] for _, nn in pending]
+)
+
+base = code_n + exact_n
+print(f"\nБаза (код+точное): {base}/{len(sample)} = {100 * base / len(sample):.0f}%")
+for thr in (0.58, 0.60, 0.62, 0.64, 0.66, 0.70):
+    emb_matched = int((top_score >= thr).sum())
+    fuzzy_matched = int(((fuzzy_score >= 88) & (top_score < thr)).sum())
+    coverage = base + emb_matched + fuzzy_matched
+    print(f"  порог {thr}: эмб {emb_matched} + fuzzy {fuzzy_matched} → покрытие {100 * coverage / len(sample):.0f}%")
+
+print("\nпримеры эмбеддинг-совпадений (порог 0.62):")
+shown = 0
+for k, (name, _) in enumerate(pending):
+    if top_score[k] >= 0.62 and shown < 7:
+        print(f"  «{name[:34]}» → «{services[int(top_idx[k])].name_ru[:34]}» ({top_score[k]:.2f})")
+        shown += 1
+print("примеры unmatched (top<0.62 и fuzzy<88):")
+shown = 0
+for k, (name, _) in enumerate(pending):
+    if top_score[k] < 0.62 and fuzzy_score[k] < 88 and shown < 6:
+        print(f"  «{name[:48]}» (лучший {services[int(top_idx[k])].name_ru[:22]} {top_score[k]:.2f})")
+        shown += 1