Dada el interés continuo en la aplicación de técnicas de Aprendizaje Automático (ML), el desarrollo de nuevas herramientas de Control de Tráfico Aéreo (ATC) es fundamental para mejorar la gestión del sistema de transporte aéreo. Este artículo desarrolla una herramienta de ATC basada en técnicas de ML para la detección de conflictos. La metodología desarrolla un enfoque basado en datos que predice infracciones de separación entre aeronaves dentro del espacio aéreo. La metodología explota dos algoritmos de ML diferentes: clasificación y regresión. Los algoritmos de clasificación denotan pares de aeronaves como una Situación de Interés (SI), es decir, cuando se predice que dos aeronaves cruzarán con una separación inferior a 10 millas náuticas (NM) y 1000 pies. Los algoritmos de regresión predicen la separación mínima esperada entre un par de aeronaves. Este enfoque basado en datos extrae trayectorias ADS-B de la Red OpenSky. Además, las trayectorias históricas de ADS-B funcionan como predicciones de trayectorias 4D que se utilizan como entradas para la base de datos. Los conflictos y la SI se simulan realizando modificaciones temporales para asegurar que las aeronaves ingresen al espacio aéreo en el mismo período de tiempo. La metodología se aplica al espacio aéreo de Suiza. Los resultados muestran que los algoritmos de ML podrían realizar predicciones de conflictos con métricas de alta precisión: 99% para la clasificación de SI y 1.5 NM para RMSE.