Introduction. Artificial Intelligence has achieved immense success in recent years, and although commercially profitable applications currently compete with humans in terms of accuracy and efficiency, there are other areas that could benefit from these technologies and in which obstacles still exist. An important aspect of this paper is that these results allow us to better understand the limitations related to the use of uncommon data in AI models. This may enable the development of tools to implement smaller, faster, and more efficient models with applications in agriculture, and other areas that use multispectral images. Objective. This paper proposes a scheme in which data from non-conventional sources related to agriculture are analyzed by custom AI models to generate predictions about variables measured in the fields, and that can eventually help the understanding of the underlying physical and biological phenomena. Methodology. This work summarizes the results obtained throughout the implementation of a project that has used multi- and hyperspectral image data of agricultural crops, as well as information taken in the field. The datasets include multispectral images of wheat crops, and hyperspectral images of canola and wheat, and includes manual measurements of certain variables. When it comes to AI models, these are closely related to addressing the problem of data processing. In both cases, simple deep learning models have been chosen, but with differences in the type of data that they are optimized to process. Results. The main result of this work is the demonstration of the use of AI/DL models for unconventional data analysis. In the first case, using 3D convolutional networks, we have managed to implement a model that can predict the yield of the wheat crops under analysis; and in the second case, using a dual scheme, with sequential and spatial models, we have managed to predict the moisture content. Conclusion. Primarily, this work demonstrates that a DL model can find useful features within an MSI dataset for yield prediction; in addition to finding an accurate DL model for the prediction of moisture content of canola and wheat crops, based on HSI. These results demonstrate the versatility of ML models and the possibility of extending the results obtained in other applications.Introducción.  La Inteligencia Artificial ha logrado un gran éxito en los últimos años, y aunque las aplicaciones comercialmente rentables compiten actualmente con los humanos en términos de precisión y eficiencia, hay otras áreas que podrían beneficiarse de estas tecnologías y en las cuales aún existen obstáculos por superar. Uno de los aspectos importantes de este estudio, es que estos resultados nos permiten comprender de mejor manera las limitaciones relacionadas al uso de datos atípicos en modelos de IA. Esto puede permitir el desarrollo de herramientas para implementar modelos más pequeños, rápidos, y eficientes con aplicaciones en la agricultura, y otras áreas que utilicen imágenes multiespectrales. Objetivo. Se busca proponer un esquema en el cual datos de fuentes no convencionales y relacionadas a la agricultura, son analizados por modelos personalizados de IA a fin de generar predicciones sobre variables medidas en el campo, y que eventualmente pueden ayudar al entendimiento de los fenómenos físicos y biológicos subyacentes. Metodología. Este trabajo resume los resultados obtenidos a lo largo de la implementación de un proyecto que ha usado datos de imágenes multi e hiperespectrales de cultivos agrícolas, así como información tomada en el campo. Los conjuntos de datos incluyen imágenes multiespectrales de cultivos de trigo, e imágenes hiperespectrales de canola y trigo, e incluye mediciones manuales de ciertas variables. En lo que se refiere a los modelos de IA, estos están estrechamente relacionados al abordaje del problema del procesamiento de datos. En ambos casos se ha optado por modelos sencillos de aprendizaje profundo, pero con diferencias en el tipo de datos que estos están optimizados para procesar. Resultados. El principal resultado de este trabajo es la demostración del uso de modelos de IA/DL para el análisis de datos no convencionales. En el primer caso, usando redes convolucionales tridimensionales, hemos logrado implementar un modelo que es capaz de predecir el rendimiento de los cultivos de trigo bajo análisis; y en el segundo caso, usando un esquema dual, con modelos secuenciales y espaciales, hemos logrado realizar la predicción del contenido de humedad. Conclusión. Principalmente, este trabajo demuestra que un modelo DL es capaz de encontrar características útiles dentro de un conjunto de datos MSI para la predicción del rendimiento; además de encontrar un modelo DL preciso para la predicción del contenido de humedad de los cultivos de canola y trigo, basado en HSI. Estos resultados evidencian la versatilidad de los modelos de aprendizaje automático y la posibilidad de extenderlos resultados obtenidos en otras aplicaciones. Área de la ciencia: inteligencia artificial