Il Machine Learning (ML) è un sottoinsieme dell'intelligenza artificiale in cui un sistema apprende schemi dai dati invece di essere codificato manualmente con regole fisse. Un modello di ML viene addestrato su esempi, poi usato per classificare, prevedere, assegnare priorità o rilevare nuovi input in base a ciò che ha imparato. La qualità del suo output dipende in larga misura dalla qualità e dalla rappresentatività dei dati di addestramento.
Nella sicurezza informatica, il ML è ampiamente utilizzato per il filtraggio dello spam, il rilevamento del malware, il punteggio delle frodi e il rilevamento delle anomalie, perché può elaborare grandi volumi di dati più rapidamente delle regole manuali. Ma crea anche nuovi rischi. Gli aggressori possono tentare di avvelenare i dati di addestramento, eludere il rilevamento con input accuratamente progettati o sfruttare una debole convalida del modello. I difensori devono quindi prevedere controlli sull'integrità dei dati, controlli degli accessi, monitoraggio e revisione umana per le decisioni ad alto impatto. Negli ambienti critici, il ML dovrebbe essere trattato come un sistema che può guastarsi, andare alla deriva o essere manipolato, non come un oracolo infallibile.