Michel Gokan Khan

Postdoktor i ML-driven optimering av produktion inom Industri 5.0

Michel är för närvarande postdoktor vid Kungliga Tekniska högskolan (KTH) och AstraZeneca i Sverige, där han fokuserar på att tillämpa maskininlärning för att optimera produktionsprocesser inom Industri 5.0, i samarbete med AstraZeneca. Han har en doktorsexamen i datavetenskap från KAU Sverige, med forskning inriktad på att utnyttja maskininlärning för att optimera molnbaserade system.

Michel har en omfattande bakgrund inom både den akademiska och den industriella tekniksektorn. Hans erfarenhet inkluderar roller som Chief Technology Officer, teamledare och medgrundare i olika företag samt forskning vid företag som Ericsson, under vilken han utvecklade och patenterade en ny metod för prestandamodellering och optimering av molnbaserade system samt flera bidrag som senare användes i prototyper för 5G-kärnan. Han har också deltagit i olika typer av robotiktävlingar, inklusive Robocup-fotbollssimuleringsligor.

Hans akademiska arbete omfattar omfattande forskning om prestandaoptimering av moln-, kant- och dimsystem, samt kantberäkning, vilket bidragit till några patent, tidskriftsartiklar, konferensuppsatser och bokkapitel inom området. Dessa publikationer täcker ett brett spektrum av ämnen, inklusive molnberäkning, maskininlärning och mikrotjänstarkitekturer.

Michel har mottagit flera utmärkelser för sin forskning, inklusive IEEE Best Paper Award vid NetSoft '20 och NFV-SDN '18. Hans publikationsrekord visar ett konsekvent fokus på att förbättra och förstå komplexiteten i molnberäkning och maskininlärningstekniker, specifikt inom simulering, modellering, digital tvilling och optimeringstekniker.

Utöver sin forskning är Michel engagerad i utbildning och mentorskap, och har föreläst om distribuerade system, databaser och datornätverk, samt handledt ett stort antal examensprojekt. Hans tekniska expertis omfattar ett brett utbud av färdigheter från molnberäkningsplattformar till maskininlärning, optimering, programmeringsspråk och ramverk, vilket ligger till grund för hans forsknings- och undervisningsaktiviteter.

Github: https://github.com/michelgokan/
LinkedIn page: https://www.linkedin.com/in/michelgokan/
Twitter: https://x.com/michelgokan
Google Scholar: https://scholar.google.com/citations?user=LJV0pHQAAAAJ