Dans une salle où se trouvent une centaine d'instruments, une symphonie résonne, mais le chef d'orchestre est dissimulé derrière un rideau. Le scientifique n'entend que les notes jouées par les instruments et cherche à comprendre qui donne le rythme. Les données scientifiques ressemblent à un tel orchestre : nous enregistrons les lectures des instruments, mais nous ne voyons pas les causes cachées qui les gouvernent. MOSAIC apprend à partir de ces enregistrements à trouver les chefs d'orchestre et à expliquer sur quels instruments ils agissent.

Auparavant, on ne savait pas comment transposer l'explication des données visibles aux causes cachées sans perdre la confiance en leur exactitude. MOSAIC résout ce problème en deux étapes. D'abord, il compresse les données et extrait les facteurs cachés, en garantissant qu'ils sont reconstruits de manière unique. Ensuite, pour chaque facteur caché, il trouve un petit ensemble de variables visibles sur lesquelles il agit. C'est comme si, après avoir écouté une symphonie, nous pouvions dire : « Le chef d'orchestre lève sa baguette, les flûtes entrent, et les violons se taisent ».

La méthode a été testée sur différents systèmes. Dans la molécule d'ARN, MOSAIC a trouvé un facteur lié à la boucle, ce qui correspond à un mécanisme connu. Sur le vent solaire et le climat, la méthode a correctement identifié les groupes de variables attendus dans les 12 exécutions. Aujourd'hui, MOSAIC peut être appliqué à la météo spatiale, à la surveillance climatique et à la sécurité des processus chimiques. La symphonie des systèmes complexes devient plus audible lorsque nous savons qui dirige.