Testtechnik für Machine-Learning- und KI-Modelle, die einfachere, interpretierbare Ersatzmodelle verwendet, um das Verhalten komplexer Black-Box-Modelle zu analysieren. Dies ermöglicht die Identifizierung von Schwachstellen, Verzerrungen und anomalem Verhalten durch das Training eines approximierten Modells, das die Entscheidungen des Zielsystems repliziert, und erleichtert die Robustheits- und Sicherheitsanalyse ohne direkten Zugriff auf die interne Architektur.