Este documento propone una arquitectura para desarrollar modelos de aprendizaje automático/aprendizaje profundo para sistemas de detección de intrusiones en redes de anomalías en plataformas informáticas reconfigurables. Construimos dos modelos para validar el marco: Autoencoder de Detección de Anomalías (ADA) y Clasificación Neural Artificial (ANC) en la plataforma NetFPGA-sume. Se utilizan tres conjuntos de datos publicados NSL-KDD, UNSW-NB15 y CIC-IDS2017 para probar el rendimiento, latencia y precisión de los modelos implementados. Los resultados experimentales con NetFPGA-SUME muestran que el modelo ADA utiliza 20.97% de LUTs, 15.16% de FFs, 19.42% de BRAM y 6.81% de DSP, mientras que el modelo ANC requiere 21.39% de LUTs, 15.19% de FFS, 14.59% de BRAM y 3.67% de DSP. ADA y ANC logran un ancho de banda de hasta 28.7 Gbps y 34.74 Gbps, respectivamente. En términos de rendimiento, ADA puede procesar hasta 18.7 Gops, mientras que ANC puede ofrecer 10 Gops con diferentes conjuntos de datos. Con el conjunto de datos NSL-KDD, el modelo ADA logra una precisión del 90.87% y una tasa de falsos negativos del 4.86%. El modelo ANC con UNSW-NB15 y CIC-IDS2017 obtiene una precisión del 87.49% y 98.22%, respectivamente, con tasas de falsos negativos del 2.0% y 6.2%, respectivamente.