Comprender cómo el hardware defectuoso afecta a los modelos de aprendizaje automático es importante tanto para los sistemas críticos de seguridad como para la infraestructura en la nube. Dado que la mayoría de los modelos de aprendizaje automático, como las Redes Neuronales Profundas (DNN), son altamente intensivos en cómputo, se desarrollan aceleradores de hardware especializados para mejorar el rendimiento y la eficiencia energética. Evaluar la resistencia a fallos de estos aceleradores de DNN durante las primeras etapas de diseño e implementación proporciona retroalimentación oportuna, lo que hace que sea menos costoso revisar los diseños y abordar posibles problemas de fiabilidad. Con este fin, presentamos la Inyección de Fallos de Implementación a Nivel de Registro de Pre-Transferencia a Nivel de Arquitectura (ALPRI-FI), que es un marco integral para evaluar la resistencia a fallos de modelos de DNN implementados en aceleradores de hardware.