Artikeln hävdar att grundläggande tillämpningar av djupinlärning, särskilt med moderna ramverk, har blivit relativt enkla att behärska. För att göra en betydande och långvarig inverkan inom fältet uppmanas nykomlingar att fokusera på svårare och mer fundamentala koncept inom maskininlärning, snarare än att enbart lära sig de nuvarande verktygen för djupinlärning. Författaren drar paralleller till "Data scientist"-trenden, där tidiga, grundläggande färdigheter snabbt blev triviala och mindre differentierande. Exempel på svårare områden att studera inkluderar klassiska maskininlärningsalgoritmer som EM-algoritmen och Kalman-filtrering, samt framväxande områden som probabilistisk programmering och skalbara MCMC-metoder. Målet är att uppmuntra kritiskt tänkande kring fältets komplexitet och att skilja mellan triviala och verkligt utmanande aspekter för att säkerställa långsiktig relevans.