Mucha investigación sobre aprendizaje profundo y big data ha llevado a métodos eficientes para procesar grandes volúmenes de datos e investigar sobre la conservación de recursos informáticos. En particular en dominios como el IoT (Internet de las cosas), donde el poder de cómputo está limitado, procesar eficientemente grandes volúmenes de datos para conservar recursos es crucial. La arquitectura de procesamiento en memoria (PIM) se introdujo como un método para el procesamiento eficiente de datos a gran escala. Sin embargo, PIM se centra en los cambios dentro de la memoria misma en lugar de abordar las necesidades de soluciones de bajo costo como el IoT. Este documento propone un nuevo enfoque utilizando la arquitectura PIM para superar eficazmente los cuellos de botella de memoria en dominios con restricciones de rendimiento informático. Adoptamos el conjunto de instrucciones de arquitectura RISC-V para el diseño, implementación y evaluación de rendimiento integral de nuestro sistema PIM propuesto. Nuestra propuesta espera utilizar eficientemente sistemas de baja especificación como el IoT al minimizar las modificaciones centrales e introducir instrucciones PIM a nivel de ISA para habilitar soluciones que aprovechen las capacidades de PIM. Evaluamos el rendimiento de nuestra arquitectura propuesta comparándola con estructuras existentes utilizando operaciones de convolución, la unidad fundamental de cálculos de aprendizaje profundo y big data. Los resultados experimentales muestran que nuestra estructura propuesta logra una mejora del 34.4% en la velocidad de procesamiento y una mejora del 18% en el consumo de energía en comparación con arquitecturas convencionales basadas en von Neumann. Esto sustenta su efectividad a nivel de aplicación, extendiéndose a campos como el aprendizaje profundo y el big data.