Construir herramientas o sistemas de aprendizaje automático (ML) para su uso en entornos de fabricación es un desafío que va más allá de la comprensión del algoritmo de ML. Sin embargo, estos desafíos, fuera del algoritmo, son menos discutidos en la literatura. Por lo tanto, el propósito de este trabajo es ilustrar prácticamente varias mejores prácticas y desafíos descubiertos al construir un sistema de ML para detectar el desgaste de herramientas en el mecanizado CNC de metal. En particular, se debe enfocar primero en la infraestructura de datos; comenzar a modelar con modelos simples; ser consciente de la fuga de datos; utilizar software de código abierto; y aprovechar los avances en poder computacional. El sistema de ML desarrollado en este trabajo se basa en algoritmos de ML clásicos y se aplica a un conjunto de datos de fabricación CNC del mundo real. El modelo de bosque aleatorio de mejor rendimiento en el conjunto de datos CNC logra una tasa de verdaderos positivos (sensibilidad) del 90.3% y una tasa de verdaderos negativos (especificidad) del 98.3%. Los resultados son adecuados para su implementación en un entorno de producción y demuestran la practicidad de los algoritmos y técnicas de ML clásicos utilizados. El sistema también se prueba en el conjunto de datos de fresado de UC Berkeley, que está disponible públicamente. Todo el código está disponible en línea para que otros puedan reproducir y aprender de los resultados.