Un navigateur expérimenté conduit le navire d'après la carte, mais la carte n'est pas toujours exacte. Le mousse, qui a longtemps observé les erreurs du navigateur, apprend à signaler où la carte ment. Ensemble, ils tracent une route plus fiable que chacun séparément. C'est ainsi que fonctionne le nouveau modèle de prévision d'El Niño, ce courant chaud du Pacifique qui, tous les quelques années, modifie pluies et sécheresses sur toute la Terre.

Le modèle classique, c'est le navigateur. Il mémorise comment la température de l'eau et le niveau de la mer sont liés de mois en mois. Cette relation est simple, donc le modèle fonctionne même avec peu de données, et nous n'en avons qu'environ cent cinquante ans. Mais il ne voit pas que les épisodes chauds d'El Niño sont plus forts que les froids, et il se trompe.

Le réseau de neurones, c'est le mousse. On ne lui apprend pas à prédire El Niño, mais à corriger les erreurs du navigateur. D'abord, le navigateur fait seize prévisions, légèrement différentes. Le mousse les examine, ainsi que l'historique de l'océan, et indique où le navigateur s'est trompé. Ainsi, le modèle capture la différence entre événements chauds et froids.

Les tests montrent qu'après seulement cent ans d'apprentissage, l'hybride prédit un an à l'avance avec une compétence supérieure à 0.5, tandis que le réseau de neurones seul reste sous 0.4. Ce n'est qu'après cinq cents ans de données que le réseau pur rattrape l'hybride. On pensait auparavant qu'il fallait des milliers d'années de données ; on voit maintenant qu'une centaine d'années suffit, si un modèle fait le gros du travail et l'autre corrige ses erreurs. Le navigateur tient la barre, le mousse murmure où la carte ment, et la route devient plus sûre.