La enorme cantidad de datos producidos por el Internet de las Cosas necesita ser validada y curada para estar preparada para la selección de datos relevantes con el fin de prototipar modelos, entrenarlos y servir el modelo. Por otro lado, las cadenas de bloques y los datos abiertos también son fuentes de datos importantes que deben integrarse en los modelos integrativos propuestos. Es difícil encontrar una arquitectura suficientemente versátil y agnóstica basada en los principales marcos de aprendizaje automático que facilite el desarrollo de modelos y permita el entrenamiento continuo para mejorarlos continuamente a partir de los flujos de datos. El documento describe la conceptualización, implementación y prueba de una nueva arquitectura que propone una cadena de procesamiento agnóstica al caso de uso. La arquitectura propuesta se construye principalmente en torno a Apache Submarine, una plataforma unificada de Aprendizaje Automático que facilita el entrenamiento y despliegue de algoritmos. Aquí, los datos del Internet de las Cosas se recogen y formatean a nivel de borde. Luego, se procesan y validan a nivel de niebla. Por otro lado, los datos abiertos y los datos de blockchain a través de la Capa de Acceso a Blockchain se procesan directamente a nivel de nube. Finalmente, los datos se preprocesan para alimentar algoritmos de aprendizaje automático escalables.