AUTOMATED TRAINING OF SERVICE QUALITY MODELS

Embodiments include methods for training artificial intelligence/machine learning (AI/ML) models to predict end-user quality-of-experience (QoE) in a communication network. Such methods include performing the following for each of a plurality of test sessions for a service: transmitting a test record via the communication network to obtain a received test record (where the transmitted test record and the received test record include media associated with the service); obtaining network quality-of-service (QoS) metrics representative of communication network performance during the test session; and obtaining end-user QoE metrics for the service during the test session based on the transmitted test record, the received test record, and one or more bootstrapper models associated with the service. Such methods include, based on the network QoS and end-user QoE metrics obtained for the plurality of test sessions, training one or more AI/ML models to predict end-user QoE for the service based on network QoS metrics. Des modes de réalisation concernent des procédés d'apprentissage de modèles d'intelligence artificielle/apprentissage automatique (IA/ML) afin de prédire une qualité d'expérience (QoE) d'utilisateur final dans un réseau de communication. De tels procédés consistent à mettre en œuvre les opérations suivantes pour chaque session de test d'une pluralité de sessions de test pour un service : la transmission d'un enregistrement de test par l'intermédiaire du réseau de communication afin d'obtenir un enregistrement de test reçu (l'enregistrement de test transmis et l'enregistrement de test reçu comprenant des contenus multimédia associés au service) ; l'obtention de métriques de qualité de service (QoS) de réseau représentatives des performances de réseau de communication pendant la session de test ; et l'obtention de métriques de QoE d'utilisateur final pour le service pendant la session de test sur la base de l'enregistrement de test transmis, de l'enregistrement de test reçu, et d'un ou plusieurs modèles d'amorçage associés au service. De tels procédés consistent à, sur la base des métriques de QoS de réseau et des métriques de QoE d'utilisateur final obtenues pour la pluralité de sessions de test, apprendre un ou plusieurs modèles d'IA/ML afin de prédire une QoE d'utilisateur final pour le service sur la base de métriques de QoS de réseau.