Heterogene kennismodellen (knowledge graphs) zijn in opkomst als een abstractie om complexe gegevens te representeren, zoals sociale netwerken, kennismodellen, moleculaire grafen, en biomedische netwerken. Tevens kunnen ze worden gebruikt voor het modelleren van 3D-objecten, manifolds (meerdimensionale structuren) en broncode. Deep representation learning en andere vormen van AI op het gebied van grafen worden steeds populairder en hebben allerlei toepassingen, van eiwitvouwing en fraudedetectie tot ontdekking van geneesmiddelen en aanbevelingssystemen. In deze lezing bespreek ik methodologische innovaties die automatisch leren om graafstructuren te coderen in laag-dimensionale inbeddingen. Daarnaast zal ik ingaan op industriële toepassingen, softwareframeworks, benchmarks en de uitdagingen bij het opschalen van graafleersystemen.