O Aprendizado de Máquina (Machine Learning) alterou radicalmente a maneira com a qual interagimos e lidamos com conjuntos de dados. Essa área de conhecimento está presente em uma vasta gama de aplicações, como na programação da Inteligência Artificial (I.A.) de robôs, algoritmos de recombinação genética e softwares de reconhecimento facial. O funcionamento de tais sistemas é pautado em análises de conjuntos de dados volumosos, forçando algoritmos e recursos computacionais a operarem em condições próximas de seus respectivos limites físicos. Com a miniaturização progressiva da tecnologia, verificamos que os fenômenos quânticos assumem um protagonismo cada vez maior nas escalas de processamento de informação presentes nos dispositivos atuais, em contraste com os efeitos descritos de modo generalizado pela Física Clássica. Sob tais condições, a interface entre a Física Quântica e o Aprendizado de Máquina gera dois cenários promissores: de um lado, estima-se que os novos algoritmos podem auxiliar na compreensão e no controle de sistemas quânticos; do outro, há a expectativa de que os dispositivos quânticos aprimorem o desempenho dos algoritmos convencionais para solucionar problemas que hoje situam-se além do limiar dos processadores contemporâneos. Com o advento dos primeiros computadores quânticos que permitem a execução de algoritmos em nuvem, vamos explorar o potencial de inovação tecnológica inerente a ambos os cenários sob a ótica da Teoria da Informação Quântica e do Aprendizado de Máquina Quântico.