Проще всего через trie

Если надо совсем быстро, то через алгоритм Кнута-Морриса-Пратта https://en.m.wikipedia.org/wiki/Knuth%E2%80%93Morris%E2%80%93Pratt_algorithm

Спасибо, а trie это что?

Префиксное дерево
https://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%B5%D1%84%D0%B8%D0%BA%D1%81%D0%BD%D0%BE%D0%B5_%D0%B4%D0%B5%D1%80%D0%B5%D0%B2%D0%BE

Спасибо, думаю теперь понятно куда двигаться, KMP вроде подходит

Да, trie используется в частности в алгоритме Ахо-Корасик, позволяет находить все подстроки за один проход по тексту

А за линию как-то можно найти все подстроки, т.ч. расстояние левенштейна <= const ?
Ну или хотя бы быстрее чем O(|text| * |total_patterns_length|) ?

А есть какие-нибудь хэш-функции, которые монотонно зависят от расстояния левенштейна?
И которые можно быстро пересчитывать для подотрезков?

Если достаточно поиска по точному совпадению, то алгоритм Ахо-Корасика супер быстро работает: он компилирует все искомые строки в один граф, и все их вхождения за один проход выделяет. И есть удобная питонячья библиотека: https://pyahocorasick.readthedocs.io/en/latest/.
Ахо-Корасик - это обобщение КМП на случай, когда может быть много разных вхождений.

Круто, но точным пока и не пахнет) часто бывают опечатки или интерпретированное автором правильное написание на русском иностранного слова (э/е, о/ё и т.д.)

Как вариант, можно для каждого бренда заранее генерировать множество всевозможных способов его написания, а потом таки использовать поиск по точному совпадению с одним из этих вариантов.

Это да

ИМХО, как вариант (несложный вариант) стоит проверить используя https://pypi.org/project/lexpy/ для trie (сам ее использую из-за простоты)
Учитывая что в опечатках может начало не совпадать с правильным написанием бренда, я бы выстраивал два дерева, для слов в прямом порядке(читаем слово слева -направо) и для тех же слов в инверсном (справа-налево) и уже полученные варианты брендов из обоих вариантов сверял бы с названиями в тексте
Хотя возможны варианты, что  опечатки настолько "опечатанны", что можно допустить и попадание  наименований нескольких брендов под одно анализируемое слово)

подскажите, пытаюсь поиграться с gpt-2, при запуске команды python src/interactive_conditional_samples.py --top_k 40
Traceback (most recent call last):
 File "src/interactive_conditional_samples.py", line 7, in <module>
   import tensorflow as tf
 File "C:\Users\Asus\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\__init__.py", line 24, in <module>
   from tensorflow.python import *
 File "C:\Users\Asus\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\python\__init__.py", line 52, in <module>
   from tensorflow.core.framework.graph_pb2 import *
 File "C:\Users\Asus\AppData\Local\Programs\Python\Python36\lib\site-packages\tensorflow\core\framework\graph_pb2.py", line 6, in <module>
   from google.protobuf import descriptor as _descriptor
 File "C:\Users\Asus\AppData\Local\Programs\Python\Python36\lib\site-packages\google\protobuf\descriptor.py", line 48, in <module>
   from google.protobuf.pyext import _message
ImportError: DLL load failed: Не найдена указанная процедура.

Trie, по словам, без опечаток -- это O(1), если у вас первичная проверка слов в bloom filter (а потом хеш-таблицы для подтверждения). Если надо варианты с 1 опечаткой проверять -- то просто удаляйте каждую букву по разу при поиске (и trie делайте со всеми вариантами удалений буквы) + вариант без удаления.
Ну и кеширование ещё можно добавить к такой схеме.
У нас если я правильно помню за 0.01 сек для новостного текста работала версия без опечаток по такой схеме в 2007 году.

Если база помещается в память, то обычный dictionary работает практически не медленнее trie (посчитать хеш строки, взять его по модулю и и потом по этому индексу извлечь value). Если база в память не помещается, то вместо  redis можно попробовать взять embedded key-value db,  рекомендую lmdb (  https://lmdb.readthedocs.io/en/release/), можно ее форки типа roksdb и др. Не будет затрат на коммуникацию между процессами, по аналогии sqlite против серверных sql. И для ключей лучше использовать хеши вместо строк.

Посмотрел на выходных, посчитал - если использовать 24/7 (что имеет смысл, если машина используется как сервак), самый бюджетный вариант - $0.2 в час за 2080Ti
И при этом диска гигов 300 (при том, что датасеты весят обычно от дцати Гб до бесконечности, а одно сохранение модели - 1-2Гб)
$0.2/час == 188 000 р/год (при $1 == 80р), всё ещё очень дорого
Имхо, собрать комп с 3080 дешевле (они стоят 80к)

Там не про серваки история, а быстро арендовать, посчитать и вырубить

Сервак на каком-нибудь selectel можно посмотреть