تخيّل قاعة تضم مئة آلة موسيقية تعزف سيمفونية، بينما يختبئ قائد الأوركسترا خلف ستار. العالم يسمع فقط النغمات التي تعزفها الآلات، ويريد أن يعرف من يضبط الإيقاع. البيانات العلمية تشبه هذه الأوركسترا: نسجّل قراءات الأجهزة، لكننا لا نرى الأسباب الخفية التي تتحكم بها. يتعلم MOSAIC من هذه التسجيلات أن يجد القادة ويشرح أي الآلات يتأثرون بهم.

في السابق، لم يكن واضحاً كيف ننقل التفسير من البيانات المرئية إلى الأسباب الخفية دون أن نفقد الثقة في صحتها. يحل MOSAIC هذه المشكلة في خطوتين. أولاً، يضغط البيانات ويستخرج العوامل الخفية، مع ضمان أنها تُستعاد بشكل فريد. ثانياً، لكل عامل خفي، يجد مجموعة صغيرة من المتغيرات المرئية التي يؤثر فيها. الأمر يشبه أننا بعد الاستماع إلى السيمفونية نستطيع أن نقول: «قائد الأوركسترا يلوّح بعصاه، فتدخل آلات النفخ بينما تصمت الكمانات».

اختُبرت الطريقة على أنظمة مختلفة. في جزيء RNA، وجد MOSAIC عاملاً مرتبطاً بالحلقة، وهو ما يتوافق مع الآلية المعروفة. وفي الرياح الشمسية والمناخ، حددت الطريقة بشكل صحيح المجموعات المتوقعة من المتغيرات في جميع مرات التشغيل الاثنتي عشرة (12). اليوم، يمكن تطبيق MOSAIC في مجال الطقس الفضائي، ورصد المناخ، وسلامة العمليات الكيميائية. تصبح سيمفونية الأنظمة المعقدة أكثر وضوحاً عندما نعرف من يقودها.