De recente toename van sensoren, actuatoren en mobiele toestellen in het Internet der Dingen zorgt voor tal van mogelijkheden om met data analyse onze levenskwaliteit te verbeteren. Het bekomen van betekenisvolle inzichten wordt echter sterk bemoeilijkt doordat deze data gekenmerkt wordt door grote volumes, variëteit, hoge snelheid, en lage kwaliteit. Twee soorten technieken worden naast elkaar gehanteerd. Kennisgedreven technieken maken gebruik van kennisgrafen (KGs) en logische regels om nieuwe inzichten te bekomen via deductieve inferentie. Door gebruik te maken van semantisch verrijking kunnen ze de datakwaliteit verhogen en data uit heterogene bronnen consolideren. Daartegenover staan de datagedreven methodes die de ruwe data rechtstreeks verwerken via diverse inductieve, machine learning modellen. Om de prestaties van machine learning taken te verbeteren door semantische verrijking uit te buiten, stel ik voor om KG inbeddingen te gebruiken als een vorm van semantische feature generatie. Helaas is het toepassen van huidige inbeddingtechnieken op IoT datastromen niet vanzelfsprekend door hun statische and relationele natuur. Daarom zal ik een incrementele, schema-gevoelige inbeddingtechnieken ontwerpen die zich continu kan aanpassen en die sensordata prioriteert. Omdat IoT applicaties vaak kritiek zijn en de beslissingen van machine learning technieken vaak ondoorgrondelijk zijn, zal ik deze technieken integreren in een interpreteerbaar beslissingsmodel.