Este documento explora la aplicación de inferir reglas de arquitectura de software a partir de ejemplos utilizando Aprendizaje Automático (ML). Investigamos diferentes métodos de Aprendizaje de Reglas Inductivas y utilizamos Modelos de Lenguaje Grandes (LLMs). Los enfoques tradicionales de especificación manual de reglas son lentos y propensos a errores, lo que motiva la necesidad de descubrimiento automatizado de reglas. Aprovechando un conjunto de datos de instancias de arquitectura de software y un meta-modelo que captura hechos de implementación, utilizamos algoritmos de aprendizaje inductivo y LLMs para extraer reglas significativas. Las reglas inducidas se evalúan frente a una hipótesis predefinida y se investiga su generalizabilidad en diferentes subconjuntos del sistema. La investigación destaca las capacidades y limitaciones del aprendizaje de reglas basado en ML en el área de arquitectura de software, con el objetivo de inspirar una mayor innovación en el descubrimiento de reglas basado en datos para prácticas de arquitectura de software más inteligentes.