L'estimation de la qualité de transmission (QoT) des chemins optiques est cruciale dans la conception du réseau et le provisionnement des services. Des études récentes se sont tournées vers les techniques de l'intelligence artificielle (IA) pour améliorer la précision de l'estimation de la QoT, en utilisant les données générées par le réseau optique. Nous distinguons quatre catégories de solutions. La première catégorie consiste à construire un modèle d'IA pour vérifier la faisabilité d'un chemin optique. La deuxième catégorie vise à proposer des modèles basés sur l'IA pour remplacer les modèles analytiques. La troisième catégorie utilise l'IA pour améliorer les performances des modèles d'estimation de la QoT en réduisant l'incertitude sur les paramètres d'entrée. La dernière catégorie consiste à améliorer les performances et la capacité de généralisation des solutions à base d'IA en améliorant les échantillons des jeux de données dans la phase d'apprentissage grâce à des techniques d'apprentissage par transfert.Les modèles d'estimation de la QoT peuvent constituer un module dans le Digital Twin du réseau optique, visant à simuler l'impact d'une nouvelle configuration sur la performance du réseau avant la phase de déploiement. Cependant, ces modèles requirent une connaissance parfaite de l'état du réseau, représenté à partir d'un ensemble de paramètres optiques ayant des valeurs qui peuvent être certaines ou incertaines. Les mesures de performance collectées par le contrôleur peuvent représenter un feedback sur la précision de l'estimation de la QoT, ce qui peut déclencher des algorithmes à base de machine learning pour raffiner les valeurs des paramètres incertains. Dans cette thèse, nous étudions le problème d'incertitude des paramètres, et nous proposons trois approches pour améliorer la QoT dans ce cas. Nous proposons pour chaque approche un certain nombre de processus d'apprentissage et nous testons leur performances avec des données de simulation et des données collectées à partir du réseau opérationnel.La première approche se base sur l'optimisation des paramètres du réseau en utilisant l'erreur dans l'estimation de la QoT comme fonction d'objectif. Nous implémentons cette approche avec deux processus d'apprentissage, le premier basé sur un modèle analytique (GNPy) et le deuxième sur un modèle à base de machine learning (réseau de neurones). Cette approche arrive à minimiser l'erreur d'estimation jusqu'à 0~dB pour des configurations de réseau où le modèle a été déjà entraîné, et atteint une erreur d'estimation de 0.3~dB sur des nouvelles configurations. Dans la deuxième approche, nous réentraînons un modèle basé sur un réseau de neurones pour l'adapter à l'incertitude des paramètres en utilisant l'apprentissage par transfert. Nous montrons que le modèle peut apprendre un nouveau comportement sans optimiser les paramètres incertains. Nous arrivons à une erreur de validation de 0.5~dB avec seulement dix nouveaux échantillons. La dernière approche consiste à détecter les changements de paramètres en réponse à un événement de panne en utilisant des techniques d'apprentissage par renforcement. Nous considérons deux types de pannes, et nous montrons que le modèle atteint une précision de classification de 93% dans une petite topologie. Enfin, nous appliquons la première approche basée sur l'optimisation Bayésienne pour raffiner les paramètres du réseau sur des données collectées à partir d'un réseau opérationnel. Nous extrayons les données à partir de l'interface nord du contrôleur, et nous construisons l'état du réseau selon le modèle de donnée d'entrée de GNPy. En appliquant notre processus d'apprentissage sur deux lignes de transmission, nous constatons une réduction d'erreur qui atteint 1.7~dB sur les services monitorés.