Las simulaciones numéricas precisas requieren modelos constitutivos capaces de proporcionar datos materiales precisos. Se han desarrollado varias metodologías de calibración para mejorar la precisión de los modelos constitutivos. Sin embargo, el rendimiento de un modelo siempre está limitado por su formulación matemática. Las técnicas de aprendizaje automático (ML), como las redes neuronales artificiales (ANN), tienen el potencial de superar estas limitaciones. No obstante, el uso de ML para la modelización constitutiva de materiales es muy reciente y no se ha explorado completamente. Las dificultades relacionadas con los requisitos de datos y el entrenamiento siguen siendo problemas abiertos. Este trabajo explora y discute el uso de técnicas de ML en relación con la precisión de los modelos constitutivos de materiales en la plasticidad metálica, contribuyendo particularmente con (i) una metodología inversa de identificación de parámetros, (ii) un corrector de modelo constitutivo, (iii) un modelo constitutivo basado en datos utilizando conceptos empíricos conocidos y (iv) un modelo constitutivo implícito general utilizando un enfoque de aprendizaje basado en datos. Estos enfoques se discuten y se dan ejemplos en el marco de la elastoplasticidad no lineal. Para entrenar convenientemente estos enfoques de ML, se debe utilizar una gran cantidad de datos sobre el comportamiento del material. Por lo tanto, se deben utilizar pruebas de campo de deformación no homogénea y caminos de deformación complejos medidos con técnicas de correlación de imágenes digitales (DIC) para ese propósito.