Verificación de la capacidad de un modelo de IA/ML para mantener un rendimiento fiable cuando se expone a datos no vistos durante el entrenamiento, incluyendo entradas fuera de distribución, deriva temporal y escenarios de casos límite (edge cases). Cubre técnicas de validación para robustez predictiva, gestión de anomalías estadísticas y degradación controlada del rendimiento en datasets en evolución.