머신러닝 (Machine learning)은 축구 전술 평가를 위해 점점 더 많이 채택되고 있습니다. 그러나 기존의 접근 방식들은 과거의 행동을 특징짓거나 분석가가 지정한 반사실적 시나리오 (counterfactual scenarios)를 규정하는 데 집중되어 있습니다. 본 연구에서 우리는 역사적으로 관찰된 패턴을 모방하는 것을 넘어, 새롭고 일반화 가능한 선수 배치 및 전략을 발견하고자 합니다. 이를 해결하기 위해 우리는 코너킥 루틴 (corner kick routines) 최적화에 집중하며, 중앙 정책 (central policy)이 첫 번째 접촉 슛 확률 (first contact shot probability)을 극대화하기 위해 공격 선수의 위치와 속도를 조정하는 의사결정 문제를 공식화합니다. 고립된 설정에 대해 해를 구하는 고전적인 최적화 (classic optimisation)와 달리, 우리는 임의의 시작 선수 위치를 조정할 수 있는 일반적인 정책을 생성하는 그래프 구조 데이터 (graph-structured data) 기반의 강화학습 (reinforcement learning) 아키텍처를 제안합니다. 3,000개 이상의 프리미어 리그 (Premier League) 코너킥 데이터를 통해 평가한 결과, 우리의 접근 방식은 동일한 추론 예산 (inference budgets) 하에서 기존의 최적화 기술들을 크게 능가했습니다. 우리의 결과는 그래프 강화학습 (graph reinforcement learning)이 세트피스 분석을 과거의 평가 및 모방에서 보상 중심의 전술적 발견 (reward-driven tactical discovery)으로 전환할 수 있음을 시사합니다.