Los métodos de aprendizaje automático para el procesamiento de datos están ganando impulso en muchas industrias de geociencia. Esto incluye la industria minera, donde el aprendizaje automático se aplica principalmente a vehículos autónomamente conducidos, como camiones de acarreo, y a la delimitación de cuerpos minerales y recursos. Sin embargo, el desarrollo de aplicaciones de aprendizaje automático en la literatura de ingeniería de rocas es relativamente reciente, a pesar de que se ha utilizado ampliamente y se ha aceptado generalmente durante décadas en otras áreas de diseño de evaluación de riesgos, como la previsión de inundaciones. Las minas en operación y los proyectos de infraestructura subterránea recopilan más datos de instrumentación que nunca, sin embargo, solo se extrae típicamente una pequeña fracción de la información útil para el diseño de ingeniería de rocas, y a menudo hay tiempo insuficiente para investigar fenómenos complejos de masa rocosa en detalle. Este documento presenta un resumen de la práctica actual en el diseño de ingeniería de rocas, así como una revisión de la literatura y métodos en la intersección del aprendizaje automático y la ingeniería de rocas. Identifica brechas, como estándares para la arquitectura, selección de entradas y métricas de rendimiento, y áreas para trabajos futuros. Estas brechas presentan una oportunidad para definir un marco para integrar el aprendizaje automático en las metodologías de diseño de ingeniería de rocas convencionales para hacerlas más rigurosas y confiables en la predicción de la probable mecánica física subyacente y fenómenos.