Évaluation de la robustesse des modèles de machine learning et d’IA face aux entrées adverses, aux perturbations, à la dérive des données (data drift) et aux conditions opérationnelles anormales. Inclut des tests adverses, des tests de résistance (stress testing), l’analyse de la stabilité prédictive et des métriques de résilience pour vérifier la fiabilité des modèles dans des scénarios réels et sous attaque.