Con la disponibilidad de datos y tecnologías computacionales en el mundo moderno, el aprendizaje automático (ML) ha surgido como una metodología preferida para el análisis de datos y la predicción. Aunque el ML tiene un gran potencial, los resultados de tales modelos no son completamente fiables debido a los desafíos introducidos por la incertidumbre. Un modelo de ML genera una solución óptima basada en sus datos de entrenamiento. Sin embargo, si la incertidumbre en los datos y los parámetros del modelo no se consideran, tales soluciones óptimas tienen un alto riesgo de fracaso en la implementación en el mundo real. Este artículo examina los diferentes enfoques utilizados en el ML para cuantificar la incertidumbre. El artículo también muestra las implicaciones de cuantificar la incertidumbre al usar ML mediante la realización de dos estudios de caso con un enfoque en la física espacial. El primer estudio de caso consiste en la clasificación de imágenes aurorales en etiquetas predefinidas. En el segundo estudio de caso, se predijo el componente horizontal del campo magnético perturbado medido en la superficie de la Tierra para el estudio de las Corrientes Inducidas Geomagnéticamente (GICs) entrenando el modelo con datos de series temporales. En ambos casos, se entrenó una Red Neuronal Bayesiana (BNN) para generar predicciones, junto con incertidumbres epistémicas y aleatorias. Finalmente, se sopesan los pros y los contras de los modelos de Regresión de Procesos Gaussianos (GPR) y el Aprendizaje Profundo Bayesiano (DL). El artículo también proporciona recomendaciones para los modelos que necesitan exploración, centrándose en la predicción del clima espacial.