คนส่วนใหญ่ที่เรียนวิทยาการคอมพิวเตอร์มา มักจะได้มีโอกาสเรียนเครื่องมือในการแก้ปัญหาจนชำนาญ และพวกเขาเหล่านั้นก็มักจะมีเครื่องมือแก้ปัญหาประจำตัวอะไรซักอย่างหนึ่ง ที่พวกเขาถนัดที่สุด ใช้บ่อยที่สุด และมีความมั่นใจมากที่สุดเมื่อใช้มัน เช่น พวกเขาอาจจะถนัดใช้ Neural Network มาก รู้ทะลุปรุโปร่งสุด ๆ หรือ อาจจะถนัด Hidden Markov Models อย่างเทพ หรือ อาจจะถนัดในการเขียน OOP บน Java มาก ๆ เป็นต้น

ดังนั้น เมื่อต้องคิดงานวิจัยอะไรขึ้นมา พวกเขาเหล่านั้นจึงไม่ลังเลที่จะเอาเครื่องมือแก้ปัญหาที่พวกเขาถนัด ไปแก้ปัญหาเรื่องนู้นเรื่องนี้ตามแต่โอกาสจะอำนวย เช่น ถ้าถนัด แต่ Hidden Markov Model ก็นำ Hidden Markov Model ไปแก้ปัญหา Speech Recognition, Gesture Recognition, Network Intruder เป็นต้น

แต่อาจารย์ของผมสอนผมว่าแบบนี้ไม่ดี เพราะมันเท่ากับว่าเราเอาแต่หมกมุ่นกับเครื่องมือแก้ปัญหามากเกินไป ดังนั้น เราจะไม่มีการพัฒนาตัวเอง เพราะเราจะรู้อยู่แต่เครื่องมือที่เราถนัดเท่านั้น ในขณะที่แบบที่อาจารย์ผมมองว่าดีคือ ให้เราสนใจในปัญหาก่อน แล้วค่อยหาเครื่องมือแก้ปัญหาที่เหมาะสมมาแก้ปัญหา เช่น ถ้าเราจะค้นหาผลลัพธ์ใด ๆ ในเวลาอันรวดเร็ว โดยให้มันไม่เผชิญกับปัญหา Non-Deterministic Polynomial Time เราก็ควรจะทดลองหาเครื่องมือต่าง ๆ มาทดลอง เช่น Ant Colony Optimization, Genetic Algorithm, Particle Swarm Optimization, Gravitational Search Algorithm, Tabu Search เป็นต้น ซึ่งมันจะทำให้เรามีความรู้ในเครื่องมือที่หลากหลาย และได้รู้ทางอ้อมว่าเครื่องมือใดเหมาะกับการแก้ปัญหาใดจริง ๆ จากการทดลอง

โดยส่วนตัวมองว่า ความชำนาญในการใช้เครื่องมือแก้ปัญหา กับ ความชำนาญในการแก้ปัญหา มันขึ้นอยู่กับความเหมาะสมในแต่ล่ะโอกาส ไม่มีใครผิดใครถูก เช่น ถ้าเป็นในการทำงานจริง เราก็อยากให้คนระดับบริหารจัดการของเรา มีความชำนาญในการแก้ปัญหา ในขณะที่เราก็คาดหวังให้คนระดับปฏิบัติการของเรา มีความชำนาญในการใช้เครื่องมือแก้ปัญหาเหมือนกัน

แต่ถ้าเป็นในแง่ของงานวิจัยทางวิทยาการคอมพิวเตอร์ ดูเหมือนว่าคนที่ชำนาญในการแก้ปัญหา จะมีภาษีสูงกว่าคนที่ชำนาญในการใช้เครื่องมือแก้ปัญหาเยอะ