Quantum MLOps

L’AI quantistica entra in produzione: cosa serve oltre ai processori

Portare il quantum machine learning fuori dal laboratorio richiede molto più delle QPU. Il Quantum MLOps deve coordinare risorse classiche e quantistiche, code, esperimenti e fornitori, garantendo riproducibilità, portabilità e controllo dell’intero stack su cui si costruirà la sovranità tecnologica

Pubblicato il 16 set 2026

Angelo Impedovo

Dipartimento di Informatica, Università degli Studi di Bari Aldo Moro

Corrado Loglisci

Dipartimento di Informatica, Università degli Studi di Bari Aldo Moro

Vito Nicola Losavio

Dipartimento di Informatica, Università degli Studi di Bari Aldo Moro

Donato Malerba

Professore Ordinario di Sistemi di Elaborazione delle Informazioni all’Università degli Studi di Bari Aldo Moro e Responsabile scientifico dello Spoke 6 – Symbiotic AI del progetto FAIR – Future Artificial Intelligence Research

Aggiungi tra i preferiti su Google

Quando si parla di intelligenza artificiale quantistica, l’attenzione si concentra generalmente sugli algoritmi e sull’hardware: numero di qubit, tasso di errore, tempo di coerenza, profondità dei circuiti. Sono parametri essenziali, ma descrivono soltanto una parte del problema.

@RIPRODUZIONE RISERVATA

Angelo Impedovo

Dipartimento di Informatica, Università degli Studi di Bari Aldo Moro

Seguimi su

Corrado Loglisci

Dipartimento di Informatica, Università degli Studi di Bari Aldo Moro

Seguimi su

Vito Nicola Losavio

Dipartimento di Informatica, Università degli Studi di Bari Aldo Moro

Seguimi su

Donato Malerba

Professore Ordinario di Sistemi di Elaborazione delle Informazioni all’Università degli Studi di Bari Aldo Moro e Responsabile scientifico dello Spoke 6 – Symbiotic AI del progetto FAIR – Future Artificial Intelligence Research

Donato Malerba è Professore Ordinario di Sistemi di Elaborazione delle Informazioni presso l’Università degli Studi di Bari Aldo Moro, dove insegna e fa ricerca da oltre trent’anni. È uno dei principali esperti italiani di data science e intelligenza artificiale, con contributi fondamentali nel machine learning, nel data mining e nella big data analytics. Ha guidato il Laboratorio Nazionale CINI su Big Data dalla sua fondazione (2014) fino al 2021, ed è attualmente Vice Direttore del Laboratorio Nazionale CINI su Data Science. È Responsabile Scientifico dello Spoke 6 – Symbiotic AI del progetto nazionale FAIR – Future Artificial Intelligence Research.

Seguimi su