El surgimiento de la tecnología 5G promete avances notables en la comunicación inalámbrica, especialmente en el ámbito de los sistemas de entrada múltiple masivo de onda milimétrica (m-MIMO). Sin embargo, la realización de su máximo potencial se ve obstaculizada por el desafío de la sobrecarga de pilotos, que compromete la eficiencia del sistema. El uso eficiente de las señales piloto es crucial para una estimación precisa del canal y la reducción de interferencias para mantener la integridad de los datos. Sin embargo, este requisito plantea el desafío de la sobrecarga de pilotos, que utiliza un espacio de espectro precioso, reduciendo así la eficiencia espectral (SE). Para abordar este obstáculo, los investigadores han recurrido progresivamente a métodos de inteligencia artificial (IA) y aprendizaje automático (ML) para diseñar sistemas de formación de haces híbridos que mejoran la SE al tiempo que reducen los cambios en la tasa de error de bits (BER). Este estudio aborda el desafío de la sobrecarga de pilotos en la formación de haces híbridos para sistemas 5G m-MIMO de onda milimétrica mediante el aprovechamiento de técnicas avanzadas de inteligencia artificial (IA). Proponemos un marco que integra k-clustering, regresión lineal, regresión de bosque aleatorio y redes neuronales con descomposición de valores singulares (NN-SVD) para optimizar la ubicación de pilotos y estrategias de formación de haces híbridos. Los resultados muestran una reducción del 82% en la sobrecarga de pilotos, una mejora del 250% en la eficiencia espectral y un aumento de diez veces en la tasa de error de bits en condiciones de bajo SNR, superando los métodos de vanguardia. Estos hallazgos validan la eficacia del sistema propuesto en el avance de las redes inalámbricas de próxima generación.