Especialmente las celdas NMC-LCO 18650, las baterías de iones de litio son partes esenciales de los vehículos eléctricos (EVs), donde su confiabilidad y rendimiento afectan directamente la eficiencia operativa y la seguridad. El mantenimiento predictivo, el control de costos y el aumento de la confianza del usuario en la tecnología de vehículos eléctricos dependen de una precisa predicción de la Vida Útil Restante (RUL) de estas baterías. Utilizando modelos avanzados de aprendizaje automático, esta investigación utiliza datos de uso pasado y características de rendimiento esenciales para pronosticar la RUL de las baterías NMC-LCO 18650. El trabajo crea una aplicación escalable y basada en la web para la predicción de RUL utilizando modelos predictivos como Long Short-Term Memory (LSTM), Regresión Lineal (LR), Red Neuronal Artificial (ANN) y Bosque Aleatorio con Regresor de Árboles Adicionales (RF con ETR) con resultados en Error Cuadrático Medio (MSE) con una precisión del 96%, 97%, 98% y 99% respectivamente. Esta investigación también enfatiza la importancia del diseño de algoritmos que puedan proporcionar predicciones confiables de RUL incluso en casos en los que falten datos de recuento de ciclos al utilizar adecuadamente características alternativas. En una investigación adicional, nuestros hallazgos resaltaron que la introducción del recuento de ciclos como característica es crítica para reducir significativamente el error cuadrático medio (MSE) en los cuatro modelos. Cuando el recuento de ciclos se incluye como característica, el MSE para LSTM disminuye de 12,291.69 a 824.15, el MSE para LR disminuye de 3363.20 a 51.86, el MSE para ANN disminuye de 2456.65 a 1858.31 y finalmente, el RF con ETR disminuye de 384.27 a 10.23, lo que lo convierte en el modelo de mejor rendimiento considerando estas dos métricas de rendimiento cruciales. Además de predecir la vida útil restante de estas baterías de iones de litio, la aplicación web ofrece opciones para seleccionar un modelo entre estos modelos para la predicción y clasifica aún más la condición de la batería y aconseja las mejores prácticas de uso. Los enfoques convencionales para la predicción de la vida útil de la batería, como el desmontaje físico o la modelización electroquímica, son intensivos en recursos, destructivos ecológicamente e inviables para uso general. Por otro lado, los métodos basados en el aprendizaje automático utilizan datos del mundo real extensivos para generar pronósticos escalables, precisos y eficientes.