L'apprendimento online è un metodo di machine learning che aggiorna un modello in modo incrementale man mano che arrivano nuovi dati, invece di riaddestrarlo solo in grandi batch. Ogni nuovo evento, avviso o transazione può modificare leggermente il modello, così il suo comportamento rimane più vicino all'ambiente attuale.
Nella sicurezza informatica, questo è importante perché gli aggressori si adattano rapidamente. I modelli del traffico di rete, i contenuti di phishing, il comportamento dei malware e i segnali di frode possono cambiare più velocemente di quanto un modello statico possa apprendere. L'apprendimento online aiuta i difensori a mantenere aggiornati i sistemi di rilevamento delle intrusioni, i filtri antispam e i sistemi di rilevamento delle anomalie mentre le condizioni cambiano. È utile anche quando i flussi di dati sono troppo grandi per essere archiviati e riaddestrati da zero. Il rischio principale è che un modello possa essere influenzato da dati rumorosi o da manipolazioni avversarie, quindi i sistemi online necessitano di validazione, monitoraggio e misure di protezione contro il poisoning e il drift.