Hybride Artificiële Intelligentie (AI) combineert symbolisch redeneren met machinaal leren (ML) om systemen te creëren die robuust, adaptief en in staat zijn complexe, praktische problemen op te lossen zonder dat er grote hoeveelheden data nodig zijn. Grafen spelen een cruciale rol in deze aanpak. Door data en expliciete kennis met elkaar te verbinden verkrijgen we meer transparantie en traceerbaarheid. Ondanks deze voordelen ondervinden huidige graafgebaseerde hybride AI-methoden beperkingen op het gebied van verklaarbaarheid en het omgaan met dynamische en multimodale data. Dit belemmert ook de toepassing van recente doorbraken binnen het hybride domein, zoals taalmodellen (LLMs) waarmee gebruikers een meer menselijke uitleg zouden kunnen ontvangen. In dit onderzoek pak ik deze uitdagingen aan via drie stappen. Allereerst ontwikkel ik een nieuwe graafcreatie die subgrafen binnen de graaf zo opstelt zodat verklaarbare kenmerken globale inzichten kunnen geven met behoud van accuraatheid bij het maken van voorspellingen. Als tweede onderzoek ik hoe deze embedding kan worden aangepast voor veranderende graafstructuren, verschillende graaftypes en multimodale data. Tot slot combineer ik deze graafcreaties met LLMs om hybride AI te versterken, waarbij subgrafen worden gebruikt voor transparantere en beter navolgbare beslissingen. Met deze nieuwe graafcreatie streef ik ernaar de aanpasbaarheid, prestaties en verklaarbaarheid van hybride AI aanzienlijk te verbeteren.