Technique de test pour les modèles d’apprentissage automatique et d’IA qui utilise des modèles de substitution plus simples et interprétables pour analyser le comportement de modèles complexes en boîte noire. Permet d’identifier les vulnérabilités, les biais et les comportements anormaux en entraînant un modèle approximatif qui reproduit les décisions du système cible, facilitant l’analyse de la robustesse et de la sécurité sans accès direct à l’architecture interne.