Az ethereum hálózatában a proposer-builder-separation (PBS) nagy koncepcionális változást hozott be. Eredetileg a blokkok gyártásának joga a validátorok kezében volt, azonban a PBS megérkezésével a blokkokat builder-nek nevezett entitások kezdték el gyártani. A legtöbbet fizető builder egy relay-nek nevezett központi szerver segítségével egy aukció során kerül kiválasztásra. A hallgató feladata PBS relay-ekről történő adatgyűjtés után azok feldolgozása lesz. A feldolgozás alatt különböző gépi tanulásos algoritmusokat kell kidolgozni és ezek segítségével kell megjósolni az aukció nyertesét illetve a nyertes licit értékét. A modellek betanításához legalább 100.000 blokk aukciós adatát kell begyűjteni és ezen az adathalmazon kell adattömörítő eljárásokat alkalmazni hogy a tanítási folyamat viszonylag rövid idő alatt lefusson. Ehhez tanulmányozni kell a szinguláris értékfelbontás (SVD), PCA (principal component analysis) valamint a koszinusz-szinusz dekompozíciót (CS decomposition) is és vizsgálni kell a tanuló adathalmaz alterei közötti kapcsolatot.

In the Ethereum network, the proposer-builder separation (PBS) introduced a significant conceptual shift. Originally, the right to produce blocks rested with the validators. However, with the advent of PBS, blocks began to be produced by entities called builders. The highest-paying builder is selected through an auction facilitated by a central server called a relay. The student's task will be to collect data from PBS relays and process it. During processing, various machine learning algorithms must be developed and utilized to predict the winner of the auction and the value of the winning bid. Training the models requires collecting auction data for at least 100,000 blocks, and this dataset must undergo compression techniques to ensure the training process completes in a relatively short time. To achieve this, the student needs to study singular value decomposition (SVD), principal component analysis (PCA), and cosine-sine decomposition (CS decomposition) and examine the relationships between subspaces within the training dataset.