Muchas industrias hoy en día están luchando con la identificación temprana de problemas de calidad, dado el acortamiento de los ciclos de diseño de productos y el deseo de disminuir los costos de producción, junto con el requisito del cliente de un alto tiempo de actividad. La industria del vehículo no es una excepción, ya que las averías a menudo conducen a paradas en la carretera y retrasos en las misiones de entrega. En este documento consideramos que los problemas de calidad son un aumento inesperado en las tasas de fallos de un componente particular; estos son particularmente problemáticos para los fabricantes de equipos originales (OEM) ya que conducen a costos no planificados y pueden afectar significativamente el valor de la marca. Proponemos un nuevo enfoque hacia la detección temprana de problemas de calidad utilizando aprendizaje automático (ML) para prever las fallas de un componente dado en una gran población de unidades. En este estudio, combinamos la información de uso de los vehículos con los registros de sus fallas. La primera se recopila continuamente, ya que las estadísticas de uso se transmiten a través de conexiones telemáticas. La segunda se basa en información de facturas y garantías recopiladas en los talleres. Comparamos dos enfoques diferentes de ML: el primero es un modelo de autorregresión de las tasas de fallos para vehículos basado en información pasada, mientras que el segundo es la agregación de predicciones de fallos de vehículos individuales basadas en su uso individual. Presentamos evaluaciones experimentales sobre los datos reales capturados de camiones de servicio pesado que demuestran cómo estas dos formulaciones tienen fortalezas y debilidades complementarias; en particular, pueden superar a la otra dado diferentes volúmenes de datos. El enfoque de clasificación supera al modelo de regresión siempre que haya suficientes datos disponibles, es decir, una vez que los vehículos han estado en servicio durante un período más largo. Por otro lado, la regresión muestra un mejor rendimiento predictivo con una menor cantidad de datos, es decir, para vehículos que han sido desplegados recientemente.