Artificiële intelligentie (AI) wordt steeds belangrijker in de gezondheidszorg en industrie, waar hoge consequenties kunnen vasthangen aan het nemen van beslissingen. Echter is het nemen van beslissingen in deze domeinen vaak gebaseerd op de kennis van experten en wordt er dus weinig waarde gehecht aan onverklaarbare voorspellingen van AI modellen. In deze thesis onderzochten we hoe data-gedreven en kennis-gedreven technieken kunnen samengebracht worden in een hybride oplossing zodat de kennis van experten samen met de beschikbare data zorgt voor betere en verklaarbare voorspellingen. Centraal in deze oplossing staat de zogenaamde kennisgraaf, waar alle data en expert kennis werd gecombineerd en gecentraliseerd. Het eenvoudig en efficiënt incorporeren van dergelijke expert kennis en sensor data, of meer generiek data met een temporeel aspect, in een kennisgraaf was een onderzoeksvraag in deze thesis. Verder onderzochten we hoe de kennisgraaf efficiënt kan gebruikt worden in zowel de datagedreven technieken door middel van verklaarbare kennisgraaf incorporaties, en in kennis-gedreven technieken, door efficiënter verklaarbare regels te genereren uit deze kennisgraaf. De hybride combinatie van deze data- en kennis-gedreven uitbreidingen werd geëvalueerd op use cases uit zowel de industrie als de gezondheidszorg en zet hiermee een nieuwe stap naar verklaarbare voorspellingen binnen deze domeinen. | |