"Jedna z velmi matoucích věcí ohledně modelů teď: jak smířit fakt, že si vedou tak dobře při hodnocení. A když se podíváte na hodnocení, řeknete si: 'To jsou docela těžká hodnocení.' Ekonomický dopad se však zdá být výrazně pozadu. Existuje [možné] vysvětlení. Když lidé dělali předškolení, otázka, na jakých datech trénovat, byla zodpovězena, protože ta odpověď byla vším. Nemusíte přemýšlet, jestli to budou tato nebo tamta data. Když lidé dělají školení reálného života, říkají: 'Dobře, chceme mít tento druh školení v reálném životě pro tuto věc a tamto školení pro tamto.' Řeknete: 'Hej, chtěl bych, aby náš model měl opravdu dobrý výkon, až ho vydáme. Chci, aby hodnocení vypadala skvěle. Jaké by bylo školení v reálném životě, které by mohlo pomoci s tímto úkolem?' Pokud to spojíte se zobecněním modelů jako skutečně nedostatečných, může to vysvětlit mnoho toho, co vidíme – tento rozpor mezi výkonem hodnocení a skutečným skutečným výkonem v reálném světě."