La salud y el bienestar del ganado son significativos para garantizar la sostenibilidad y rentabilidad de la industria agrícola. Abordar formas eficientes de monitorear e informar sobre el estado de salud de las vacas individuales es crítico para prevenir brotes y mantener la productividad del rebaño. El propósito del estudio es desarrollar un modelo de aprendizaje automático (ML) para clasificar el estado de salud de las vacas lecheras en tres categorías. En esta investigación, se recopilan datos de dispositivos y herramientas IoT no invasivos existentes en una granja lechera, monitoreando el micro y macroentorno de la vaca en combinación con información particular sobre la edad, días en leche, lactancia y más. Se sistematiza y presenta un flujo de trabajo de varios métodos de procesamiento de datos para crear una hoja de ruta completa, eficiente y reutilizable para el procesamiento de datos, modelado e integración en el mundo real. Siguiendo el flujo de trabajo propuesto, se trataron los datos y se entrenaron y probaron cinco algoritmos de ML diferentes para seleccionar el más descriptivo para monitorear el estado de salud de las vacas individuales. El mejor resultado para la evaluación del estado de salud se obtiene mediante el clasificador de bosque aleatorio (RFC) con una precisión de 0.959, un recall de 0.954 y una precisión de 0.97. Para aumentar la seguridad, velocidad y fiabilidad del proceso de trabajo, se presenta una arquitectura en la nube de servicios para integrar el modelo entrenado como una funcionalidad adicional en el entorno de Amazon Web Services (AWS). Los resultados de clasificación del modelo de ML se visualizan en una interfaz recién creada en la aplicación del cliente.