Les progrès en instrumentation et analyse d'image ont favorisé le développement de techniques d'acquisition à haut débit et l'émergence de nouvelles approches en biologie computationnelle. En devenant perméable au big data, l’agronomie a pu intégrer de nouvelles méthodes d’analyse plus puissantes (-omics, …), et traiter de nouvelles questions. Il est alors devenu courant de capturer des traits d'intérêt agronomique à une échelle massive, en utilisant des logiciels d’analyse conçus pour suivre une “heuristique” de traitement des données à partir de règles expertes. Lors de la dernière décennie, cette architecture canonique de traitement a été bousculée, avec la montée en puissance des méthodes d’apprentissage automatique (Machine Learning, Deep Learning). Forgés par l’exposition aux données d’apprentissage, les outils de machine learning se sont progressivement imposés comme technique de première intention pour l’analyse des données complexes. Le deep learning, dernier-né du domaine, a transformé de nombreuses disciplines en devenant la référence en matière de performances grâce à ses victoires répétées dans les compétitions internationales d’analyse (de AlexNet à Alphafold). En l’espace de dix ans, les réseaux de neurones autrefois considérés comme une curiosité pour les mathématiciens, sont devenus des outils incontournables en analyse d'image et dans d'autres domaines.

Dans cette présentation, nous expliquerons les récentes évolutions des systèmes d’analyse d’image, depuis les logiciels basés sur des règles explicites jusqu’aux systèmes intégrant une machinerie apprenante. Nous illustrerons le propos avec des méthodes développées à AGAP et ailleurs, que nous présenterons par dimensionnalité croissante : 1D (NIRS), 2D (imagerie aéroportée et microscopie nanomètre), 2D+t (tracking de système racinaire en boite de petri), 3D (segmentation de pommes et caractérisation des tissus internes de ceps), 3D+t (tracking de pathogène fongique et tracking de partie aérienne de maïs). Au fil de ces exemples, nous confronterons les vraies et fausses promesses des systèmes dits “intelligents” face aux résultats obtenus et aux limites constatées. 
En perspective, nous évoquerons les dernières avancées de ce champ-fleuve qu’est l’IA, notamment les possibilités des modèles géants de langage et leur couplage avec les modèles génératifs d’image pour l’extraction des patterns. Finalement, nous nommerons quelques outils déjà opérationnels proposés en libre-accès qui peuvent être utiles au chercheur, et nous conclurons sur les déterminants “data” d’une intégration fluide de l’IA dans nos sujets d’analyse d’images biologiques.