Framstegen inom artificiell intelligens och maskininlärning (ML) har gjort ett stort genomslag på många forskningsområden under det senaste decenniet. ML-tekniker kommer med största sannolikhet att implementeras i vissa delar av framtida trådlösa kommunikationssystem. Mängden publicerad forskning om ML för kommunikation har ökat enormt under de senaste fem åren. ML ger nya möjligheter men också nya sårbarheter, mot exempelvis nya typer av anpassad störning och vilseledning, samt svårighet att garantera och prediktera prestanda i systemet. Denna rapport ger en översikt av tillgängliga forskningsresultat om användning av ML för kommunikationssystem. En omfattande litteraturstudie har genomförts, som täcker många områden inom kommunikation. Den stora mängden forskningslitteratur visar att det finns flertalet tillämpningar där ML kan utnyttjas. Det är däremot viktigt att ha i åtanke att detta inte nödvändigtvis innebär att ML är det bästa alternativet, eller ens att det ger fördelar jämfört med traditionella tekniker, för alla typer av tillämpningar. Kommunikationstillämpningar där ML kan ge fördelar är exempelvis sådana som kräver reducerad beräkningskomplexitet med nära optimal prestanda eller databaserad inlärning av fenomen som är helt eller delvis okända. Exempel på sådana algoritmer är resursallokering på flera nivåer av komplexa kommunikationsnätverk, trafikmodellering samt signaldetektion eller -klassificering av okända signaler. En avgörande aspekt av utvecklingen och utnyttjandet av ML-baserade algoritmer, för alla tillämpningar, är åtkomsten till stora mängder träningsdata av god kvalitet. Generering av sådana datamängder kan vara besvärlig och kostsam, och det är av yttersta vikt att överkomma detta hinder för att kunna utnyttja ML-algoritmer i kommunikationssystem. Denna rapport har bara ytligt berört de sårbarheter som kommer av att använda ML för kommunikationstillämpningar. Framtida studier behöver lägga större tonvikt på exploaterbara sårbarheter och konsekvenserna av dessa på kommunikationsprestanda. Exempelvis är den sammantagna kunskapen om fientliga attacker mot dessa typer av algoritmer, samt försvarsmekanismer mot sådana attacker, begränsad. Fientliga attacker mot ML-algoritmer kan också utnyttjas för syften som kan ge fördelar i försvar- och säkerhetstillämpningar, såsom smygradioegenskaper. Sådana tillämpningar bör studeras vidare