Li-Fi (Light Fidelity), görünür ışık spektrumunu kullanarak veri iletimini Wi-Fi (Wireless Fidelity) teknolojisine göre daha hızlı gerçekleştiren kablosuz haberleşme teknolojisidir. Li-Fi, Wi-Fi teknolojisindeki yetersiz bant genişliği ve frekans kapasitesi gibi sorunlara önemli oranda çözüm getirmektedir. Li-Fi, radyo dalgaları yerine ışık dalgalarını kullanır. Li-Fi teknolojisinde, LED (Light Emitting Diode)’lerin çok hızlı bir biçimde kapanıp açılması ve üzerine düşen sinyalleri ışığa çevirmesi ile veri iletimi gerçekleştirilir. Li-Fi’nin daha geniş bant genişliği sunmasındaki önemli etkenlerden birisi de Li-Fi içerisinde görünür ışık kaynağı ile ultraviyole ve kızılötesi ışık dalgalarınında kullanılabilmesidir. Bu çalışmada, her iki tarafta Li-Fi devreleri kullanılan bilgisayarlar arasında ışık dalgaları ile kablosuz veri iletişimi gerçekleştirilmiştir. Veri aktarımı için hem XMODEM hem de ZMODEM dosya transfer protokolleri uygulanmıştır. Farklı baud hızlarda ve farklı büyüklüklerde dosya transferleri için XMODEM ve ZMODEM protokolleri kullanılarak performans analizleri yapılmıştır. Çalışma sonucunda alınan sonuçlara göre, Li-Fi uygulaması içerisinde kullanılan ZMODEM protokolünün XMODEM protokolüne göre daha verimli olduğu görülmüştür.

In higher education, hallucination-free information retrieval is critical for navigating complex institutional legislation. This study develops a highly accurate, production-ready Retrieval-Augmented Generation (RAG) architecture tailored to Turkish, a morphologically rich, low-resource language. We evaluate the pipeline using an expert-curated dataset of 846 canonical question–answer pairs derived from real-world student inquiries. Rigorous statistical testing reveals that while top embedding models achieve comparable, statistically indistinguishable retrieval accuracy, BAAI/bge-m3 demonstrates robust representational symmetry by maintaining identical document rankings across normalized distance metrics. Challenging common literature assumptions, our architectural ablation shows that dense retrieval alone is highly sufficient; hybrid (dense + sparse) fusion yields no meaningful accuracy gain when indices are constructed over equivalent text. At the generation layer, an efficiently sized 9-billion-parameter model matches or surpasses the response quality of much larger models—a ranking confirmed via repeated-run significance testing—while operating 3.9 times faster than a 32-billion-parameter counterpart and 2.5 times faster than an 8-billion-parameter alternative. Finally, we demonstrate that the latency benefits of INT8 Scalar Quantization are highly scale-dependent, accelerating retrieval in small-scale micro-benchmarks but increasing end-to-end latency at larger index scales. Ultimately, this study establishes that optimizing a production RAG system relies on selecting highly aligned, efficient components rather than maximizing architectural complexity or parameter count.