Les méthodes de surveillance prédictive des processus d'entreprise exploitent les journaux d'activité des cas terminés d'un processus afin de faire des prédictions sur les cas en cours. Les méthodes existantes dans ce domaine sont conçues spécifiquement pour des tâches de prédiction particulières. De plus, leur précision relative est très sensible aux jeux de données utilisés, ce qui nécessite que les utilisateurs s'engagent dans un processus d'essais et d'ajustements lorsqu'ils les appliquent dans un contexte spécifique. Cet article examine l'utilisation des réseaux neuronaux à mémoire à court et long terme (LSTM) comme approche pour construire des modèles précis de manière cohérente pour une large gamme de tâches de surveillance prédictive des processus. Tout d'abord, nous montrons que les LSTM surpassent les techniques existantes pour prédire le prochain événement d'un cas en cours ainsi que son horodatage. Ensuite, nous démontrons comment utiliser ces modèles pour prédire la tâche suivante afin de prédire la continuation complète d'un cas en cours. Enfin, nous appliquons la même approche pour prédire le temps restant, et nous montrons que cette méthode surpasse les méthodes existantes conçues spécifiquement pour cette tâche.