Michel Gokan Khan

Postdoktor inom maskininlärningsdriven optimering av produktion i Industri 5.0

Michel är för närvarande postdoktoral forskare vid Kungliga Tekniska Högskolan (KTH) inom ramen för Digital Futures Industrial and Societal Partnership Programme (ISPP)-projektet "SMART – Smart Predictive Maintenance for the Pharmaceutical Industry", finansierat av Digital Futures och AstraZeneca. Hans arbete fokuserar på att tillämpa maskininlärning för att optimera produktionsprocesser mot Industri 5.0. Hans forskning är inriktad på maskininlärning, datorseende, datadrivna metoder för optimering av produktionslinjer samt AI-stödda digitala tvillingar.

Han har doktorsexamen i datavetenskap från Karlstads universitet (KAU), där hans forskning handlade om att utnyttja maskininlärning för att optimera molnbaserade system.

Michel har erfarenhet från både akademiska och industriella teknologisektorer. Han har tidigare varit teknisk chef, teamledare och medgrundare i flera företag, samt bedrivit forskning vid företag som Ericsson, där han utvecklat och patenterat en metod för prestandamodellering och optimering av molnbaserade system, samt bidragit till flera innovationer som senare användes i prototyper av 5G-kärnan. Han har också deltagit i olika typer av robottävlingar, inklusive Robocup fotbollssimuleringsligor.

Hans vetenskapliga arbete omfattar omfattande forskning inom prestandaoptimering av moln-, edge- och fog-system samt edge computing, vilket har resulterat i flera patent, tidskriftsartiklar, konferensbidrag och bokkapitel inom området. Dessa publikationer täcker en mängd olika ämnen som molnbaserad databehandling, maskininlärning och mikroservicearkitekturer.

Michel har mottagit flera utmärkelser för sin forskning, bland annat IEEE Best Paper Award vid NetSoft '20, IEEE Best Demo vid NFV-SDN '18, och Young Professional of the Month Award av IEEE Sweden år 2019. Hans publikationer syftar till att förbättra och förstå komplexiteten i molnbaserad databehandling och maskininlärningsteknik, särskilt inom simulering, modellering, digitala tvillingar och optimeringstekniker.

Utöver forskningen är Michel engagerad i utbildning och mentorskap, där han undervisat i distribuerade system, databaser och datornätverk samt handlett examensarbeten. Hans tekniska kompetens inom molnplattformar, maskininlärning, optimering, datadrivna metoder, digitala tvillingar, programmering och ramverk utgör grunden för hans forsknings- och undervisningsverksamhet.

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

Personlig hemsida: https://michelgokan.github.io/