MFCCS ve makine öğrenme algoritmaları kullanarak VoIP aramaları için deneyim kalitesi tahmini

Teknolojik ilerlemeler sayesinde gelişen internet altyapıları yüksek kaliteli ve düşük maliyetli iletişim servislerinin kolay erişilebilir olmasına imkan tanımaktadır. Buna karşın donanımsal ve yazılımsal sorunlar sunulan servis kalitesini doğrudan etkilemekte ve kullanıcıların deneyim kalitesini düşürmektedir. Aynı anda yüksek sayıda görüşmenin yapıldığı çağrı merkezlerinde ise bu sorunlar bir şikayet gelmeden önce tespit edilebilmelidir. Bunun için problemin kaynağı, izleme ve raporlama araçları tarafından hızlıca belirlenmelidir. Bu çalışmada Unified Communications as a Service (UCaaS) altyapısı üzerinde bulunan bir çağrı merkezi kullanıcılarının deneyimlediği iletişim kalitesini tahmin etmek için Random Forest (RF), Multilayer Perceptron (MLP), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM) ve Consistent Rank Logits (CORAL) olmak üzere 5 farklı makina öğrenmesi modeli geliştirilmiştir. Tahminler 6 sınıfta (Kayıpsız, %5 Kayıp, %10 Kayıp, %15 Kayıp, %20 Kayıp ve %25 Kayıp) yapılmıştır. Elde edilen sonuçlar, MLP, CORAL, CNN, RF ve LSTM'nin sırasıyla 0.864, 0.853, 0.848, 0.829 ve 0.786 doğruluk elde ettiğini göstermiştir. Öte yandan, en yüksek doğruluk oranı %98,48 ile MLP ile "Kayıpsız" sınıfında elde edilirken, en düşük doğruluk oranı %61,24 ile LSTM modeli ile "%20 Kayıp" sınıfında elde edilmiştir. MLP dışında, tüm modeller doğruluk oranlarında "Kayıpsız"dan "%20 Kayıp" sınıflarına doğru bir düşüş eğilimi göstermiştir.